1、问题

        使用pytorch进行分布式训练，一机多卡，采用 DistributedDataParallel 方式，多次执行卡在了同一个地方。但是单卡和 DataParallel 方式都没有卡住的现象。

执行nvidia-smi，此时全部GPU利用率均为100%：

2、debug大法（print）

逐一print后发现，卡住的地方有个进程没有执行：

因为我用了4个进程4张卡，卡住的地方只打印了3个，于是考虑进程同步问题。

3、方案

        在每轮epoch结束后添加进程同步，虽然底层原因暂不清楚，但是问题得以解决。

        该方法仅提供一个解决思路，读者还需根据自身情况分析。