最近在学习在服务器的ubuntu环境上配置用多个显卡训练，之前只用一个显卡训练实在是太慢了点

先看看服务器上有几个显卡：

nvidia-smi

即可得到具体的显卡信息：

每个显卡之前有对应的编号。

然后得知自己服务器上总共有多少显卡后，插入以下代码：

#一机多卡设置
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2,3'#设置所有可以使用的显卡，共计四块
device_ids = [0,1]#选中其中两块
model = nn.DataParallel(model, device_ids=device_ids)#并行使用两块
#net = torch.nn.Dataparallel(model)  # 默认使用所有的device_ids
model = model.cuda()

有两个注意点：

（1）笔者自己使用该代码时，虽然device_ids中选择的是0/1两块显卡，但是实际上却是在2/3两块显卡上运行的，这个可能是显示问题，大家可以运行之后再使用nvidia-smi命令查看到底是在哪两块显卡上训练的

（2）这个代码是要写在模型装载之后，比如说举例

model = CANNet2s()

在这后加上图示代码，才可以将model分配到硬件上，此处我使用的是model.cuda()函数，大家也可以用todevice。

对比一下只使用一张显卡：

#一机单卡设置
model = model.cuda()

将会自动选择一张可以用的显卡进行训练。

参考文献：https://blog.csdn.net/qq_45860671/article/details/122413798

修改cycleGan中的代码如下

原代码

disc_H = Discriminator(in_channels=3).to(config.DEVICE)
    disc_Z = Discriminator(in_channels=3).to(config.DEVICE)
    gen_Z = Generator(img_channels=3, num_residuals=9).to(config.DEVICE)
    gen_H = Generator(img_channels=3, num_residuals=9).to(config.DEVICE)

修改后的代码：

   disc_H = Discriminator(in_channels=3)
    disc_Z = Discriminator(in_channels=3)
    gen_Z = Generator(img_channels=3, num_residuals=9)
    gen_H = Generator(img_channels=3, num_residuals=9)
 
#使用多gpu加速
    if torch.cuda.device_count() > 1:
        print("Let's use", torch.cuda.device_count(), "GPUs!")
        disc_H = nn.DataParallel(disc_H, device_ids=[0,1])
        disc_Z = nn.DataParallel(disc_Z, device_ids=[0,1])
        gen_Z = nn.DataParallel(gen_Z, device_ids=[0,1])
        gen_H = nn.DataParallel(gen_H, device_ids=[0,1])
    disc_H.to(config.DEVICE)
    disc_Z.to(config.DEVICE)
    gen_Z.to(config.DEVICE)
    gen_H.to(config.DEVICE)

参考文献：
https://blog.csdn.net/qq_34904125/article/details/118725862