机器学习 · 函数

分布式数据并行

将模型包装为数据并行，支持多GPU训练。对标 torch.nn.DataParallel。参数: 模型: PyTorch 模型设备列表: 要使用的设备列表，None 表示使用所有可用 GPU 返回: 并行包装后的模型

调用签名(模型, 设备列表=None)

分ZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 分布式数据并行
设 结果 = 机器学习.分布式数据并行(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    设备列表=None,  # 可选；Pandas DataFrame 或类似表格对象
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

2 个参数

参数类型 / 传入方式说明

模型可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入模型;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传或对象为 None 会报 TypeError/AttributeError;先调用对应的创建函数拿到模型再传入

设备列表可选 · 默认 None

未声明位置参数或字段名=值

Pandas DataFrame 或类似表格对象。

常见错误：类型不匹配会报 TypeError;按字段类型列传值,首次使用建议先打印(结果) 确认结构

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 分布式数据并行
设 结果 = 机器学习.分布式数据并行(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    设备列表=None,  # 可选；Pandas DataFrame 或类似表格对象
)
打印(结果)

# 进阶组合:分布式数据并行 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.分布式数据并行(
    模型=[1, 2, 3, 4],  # 必填
    设备列表=None,  # 可选
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 1 个必填参数

## 参数 1: 模型
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.分布式数据并行()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.分布式数据并行(模型=[1, 2, 3, 4])
打印(结果)