Tensorflow - 多 GPU 不适用于模型（输入），也不适用于计算梯度

Question

当使用多个 GPU 对模型执行推理（例如调用方法：model(inputs)）并计算其梯度时，机器只使用一个 GPU，其余的空闲。

例如下面这段代码sn-p：

import tensorflow as tf
import numpy as np
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"

# Make the tf-data
path_filename_records = 'your_path_to_records'
bs = 128

dataset = tf.data.TFRecordDataset(path_filename_records)
dataset = (dataset
           .map(parse_record, num_parallel_calls=tf.data.experimental.AUTOTUNE)
           .batch(bs)
           .prefetch(tf.data.experimental.AUTOTUNE)
          )

# Load model trained using MirroredStrategy
path_to_resnet = 'your_path_to_resnet'
mirrored_strategy = tf.distribute.MirroredStrategy()
with mirrored_strategy.scope():
    resnet50 = tf.keras.models.load_model(path_to_resnet)

for pre_images, true_label in dataset:
    with tf.GradientTape() as tape:
       tape.watch(pre_images)
       outputs = resnet50(pre_images)
       grads = tape.gradient(outputs, pre_images)

仅使用一个 GPU。您可以使用 nvidia-smi 分析 GPU 的行为。我不知道它是否应该是这样的，model(inputs) 和tape.gradient 都没有多 GPU 支持。但如果是这样，那么这是一个大问题，因为如果你有一个大数据集并且需要计算关于输入的梯度（例如可解释性语料库），使用一个 GPU 可能需要几天时间。 我尝试的另一件事是使用model.predict()，但使用tf.GradientTape 是不可能的。

到目前为止我已经尝试过但没有成功

1. 将所有代码放入镜像策略范围内。
2. 使用不同的 GPU：我尝试过 A100、A6000 和 RTX5000。还更改了显卡数量并改变了批量大小。
3. 指定了 GPU 列表，例如，strategy = tf.distribute.MirroredStrategy(['/gpu:0', '/gpu:1'])。
4. 按照@Kaveh 的建议添加了这个strategy = tf.distribute.MirroredStrategy(cross_device_ops=tf.distribute.HierarchicalCopyAllReduce())。

我怎么知道只有一个 GPU 在工作？

我在终端使用命令watch -n 1 nvidia-smi，观察到只有一个GPU处于100%，其余处于0%。

工作示例

您可以在下面的 dogs_vs_cats 数据集上找到一个使用 CNN 训练的工作示例。你不需要手动下载数据集，因为我使用的是 tfds 版本，也不需要训练模型。

笔记本：Working Example.ipynb

保存的模型：

• HDF5
• Saved Format

Answer 1

对于mirrored_strategy.run() 之外的任何代码，应该在单个 gpu（可能是第一个 gpu，GPU:0）中运行。此外，由于您希望从副本返回渐变，因此还需要 mirrored_strategy.gather()。

除此之外，还必须使用mirrored_strategy.experimental_distribute_dataset 创建分布式数据集。分布式数据集尝试将单批数据均匀地分布在副本之间。以下是有关这些要点的示例。

model.fit()、model.predict() 等...以分布式方式自动运行，因为它们已经为您处理了上述所有内容。

示例代码：

mirrored_strategy = tf.distribute.MirroredStrategy()
print(f'using distribution strategy\nnumber of gpus:{mirrored_strategy.num_replicas_in_sync}')

dataset=tf.data.Dataset.from_tensor_slices(np.random.rand(64,224,224,3)).batch(8)

#create distributed dataset
ds = mirrored_strategy.experimental_distribute_dataset(dataset)

#make variables mirrored
with mirrored_strategy.scope():
  resnet50=tf.keras.applications.resnet50.ResNet50()

def step_fn(pre_images):
  with tf.GradientTape(watch_accessed_variables=False) as tape:
       tape.watch(pre_images)
       outputs = resnet50(pre_images)[:,0:1]
  return tf.squeeze(tape.batch_jacobian(outputs, pre_images))

#define distributed step function using strategy.run and strategy.gather
@tf.function
def distributed_step_fn(pre_images):
  per_replica_grads = mirrored_strategy.run(step_fn, args=(pre_images,))
  return mirrored_strategy.gather(per_replica_grads,0)

#loop over distributed dataset with distributed_step_fn
for result in map(distributed_step_fn,ds):
  print(result.numpy().shape)