pytorch中共有两种多GPU的训练方法，一种是利用nn.DataParallel实现，实现简单，另一种是用采用分布式并行训练DistributedDataParallel和DistributedSampler结合多进程实现。
torch.nn.DataParallel（DP)
首先说下DP中的参数：
(1) module即表示你定义的模型
(2) device_ids表示你训练时用到的gpu device
(3) output_device这个参数表示输出结果的device，默认就是在第一块卡上，因此第一块卡的显存会占用的比其他卡要更多一些。
当调用nn.DataParallel的时候，input数据是并行的，但是output loss却不是这样的，每次都会在output_device上相加计算，这就造成了第一块GPU的负载远远大于剩余其他的显卡。
DP的优势是实现简单，不涉及多进程，核心在于使用nn.DataParallel将模型wrap一下，代码其他地方不需要做任何更改。
DP的整个过程是，首先在前向过程中，你的输入数据会被划分成多个子部分（以下称为副本）送到不同的device中进行计算，而你的模型module是在每个device上进行复制一份，也就是说，输入的batch是会被平均分到每个device中去，但是你的模型module是要拷贝到每个devide中去的，每个模型module只需要处理每个副本即可，然后再将每张卡上的输出都收集到output_device（默认为cuda:0）上并合。
概括来说就是：DataParallel 会自动帮我们将数据切分 load 到相应 GPU，将模型复制到相应 GPU，进行正向传播计算梯度并汇总到output_device上汇总。
可以看出，nn.DataParallel没有改变模型的输入输出，因此其他部分的代码不需要做任何更改，非常方便。但弊端是，后续的loss计算只会在output_device上进行，没法并行，因此会导致负载不均衡的问题。
另外需要注意，使用多GPU时，loss需要mean。
DistributedDataParallel（DDP)
分布式数据并行(distributed data parallel)，是通过多进程实现的。
（1）从一开始就会启动多个进程（进程数等于 GPU 数），每个进程独享一个 GPU，每个进程都会独立地执行代码。这意味着每个进程都独立地初始化模型、训练，当然，在每次迭代过程中会通过进程间通信共享梯度，整合梯度，然后独立地更新参数。
（2）数据并行。
（3）进程通过local_rank变量来标识自己，local_rank为0的为master，其他是slave。
（4）因为每个进程都会初始化一份模型，为保证模型初始化过程中生成的随机权重相同，需要设置随机种子。
（5）模型保存时，可以只用保存local_rank为0，也就是master的模型结构即可。
要实现分布式数据训练必须以如下方式运行代码：
其中，nproc_per_node表示机器需要创建多少个进程(使用几个GPU就创建几个)；nnodes表示机器数量。
