在这个例子中,我希望z_proto对于不同的GPU是全局的。然而,在数据并行模式下,它也被拆分到不同的GPU中。如何解决这样的问题?谢谢。
class SequencePrototypeTokenClassification(nn.Module):
def __init__(self,seq_model, label_num):
super(SequencePrototypeTokenClassification, self).__init__()
self.seq_model = seq_model
self.label_num = label_num
def forward(self, input_ids, token_type_ids, attention_mask, labels, z_proto, n_query, target_inds):
z, _ = self.seq_model(input_ids, token_type_ids, attention_mask, output_all_encoded_layers=False)
z_dim = z.size(-1)
zq = z.squeeze().view(-1, z_dim)
dists = euclidean_dist(zq, z_proto)
log_p_y = F.log_softmax(-dists, dim=1).view(-1, self.label_num)
loss_val = -log_p_y.gather(1, self.target_inds).squeeze().view(-1).mean()
_, y_hat = log_p_y.max(1)
return loss_val, y_hat发布于 2019-04-22 23:32:09
事实证明,DataParallel只会复制nn.Module的nn.Parameter。因此,我在模块中随机初始化了一个名为z_proto的nn.Parameter,并将张量z_proto的值复制到参数中。然后将该参数复制到4个GPU中。
发布于 2019-04-22 20:01:10
根据上面的代码,z_proto似乎是forward函数的参数之一,而不是模型的一部分。因此,简单地将其存储在主GPU上的tensor中将使其在多个GPU上具有相同的值。
编辑
基于the documentation,DataParallel似乎将所有输入到前向传递函数的输入拆分到GPU上。您可以通过将其作为类变量存储在模型对象本身中来规避它。如果不是静态变量,则可以在调用forward函数之前更新值。
class SequencePrototypeTokenClassification(nn.Module):
def __init__(self,seq_model, label_num):
...
self.z_proto = None
...
...
#Training loop
...
model.z_proto = value
model.forward()
...https://stackoverflow.com/questions/55792837
复制相似问题