如果要用多GPU训练模型，那就要用到pytorch中的nn.DataParallel()函数对模型进行封装。

1 # code_for_use_cuda
2 device_count = torch.cuda.device_count()#获得本机的显卡的个数
3 print("cuda.device_count",device_count)
4 device_ids = list(range(device_count))
5 model = nn.DataParallel(model,device_ids=device_ids)#对模型进行封装，如果不填写device_ids那就默认的使用所有的GPU
6 criterion = nn.DataParallel(criterion,device_ids=device_ids)#

 

需要注意的几点：

（1）但是使用这种方法会造成多GPU的运行的负载不匹配的状况，在多GPU中选定一块主GPU进行Loss值的计算，这块GPU往往使用的memory更多。在有些模型中loss的计算是很耗费资源的，

这时候就建议将loss的计算放在model类的forward()方法中进行计算。

（2）在多GPU训练的情况下，如果模型的forward()返回的是单个数值，例如loss.item()。多GPU情况下最终会得到一个列表，是每个单独的GPU运算的结果，如果求loss需要再对他们进行平均。

（3）优化器optimization的处理不需要并行的计算。

（4）这一点笔者认为是最重要的一点，即并行模型的保存和加载的问题。使用了DataParallel()之后的model.state_dict().keys()相较于原来的，键名在前面多了“module.”。这样的模型文件

不能被不使用并行处理的模型所加载。解决方法：在保存模型的时候，使用torch.save(model.module.state_dict(),'filename.pt')，这样保存的模型的键名中就不含有module了。

（5）如果模型的训练和使用并不在同一台机器上，那保存和读取的时候最好都在CPU上进行，否则重新加载模型可能会发生错误。