在深度学习的实践中，由于数据集非常大，模型训练需要很长时间，为了解决这个问题，我们可以利用多个GPU并行计算来加速训练过程。torch.nn.DataParallel()是PyTorch提供的一个非常方便的工具，它可以让我们在多个GPU上并行训练模型。
首先在指定的每张显卡上拷贝一份模型，然后将输入的数据分散到各张显卡上，计算梯度，然后回传到第一张显卡上，最后再对模型进行参数优化。
需要注意的是：第一张显卡的负载往往更高，但由于该方法集成度高，书写简便，使用仍十分广泛。
torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)
module：表示我们自定义的模型；
device_ids：表示我们用于训练的GPU device ids；
output_device：这个参数表示输出结果的device。而这最后一个参数output_device一般情况下是省略不写的，那么默认就是在device_ids[0]，也就是第一块卡上，也就解释了为什么第一块卡的显存会占用的比其他卡要更多一些。
更多介绍请参考官网：https://pytorch.org/docs/stable/generated/torch.nn.DataParallel.html
# 第一步：将模型移动到GPU设备上
model = model.cuda(0)
# 第二步：设置显卡id
device_ids = [0, 1]
# 第三步：拷贝模型副本到GPU 0和 GPU 1，因为GPU 0已经存在，不需要拷贝
model = torch.nn.DataParallel(model, device_ids=device_ids)
# 第四步：准备数据。因为所有数据都需要先放到指定的第一张显卡上才能进行多卡训练
data = data.cuda(0)
# 第五步：训练模型
output = model(data)
第一步：数据分割。DataParallel会自动将数据分割成多个部分，每个部分都会在一个GPU上进行处理。分割的方式取决于输入数据的形状和GPU的数量。
第二步：创建模型副本。在每个GPU上，都会创建一个模型的副本。这些副本共享相同的参数，但每个副本都独立地处理一部分输入数据。
第三步：结果合并。在所有GPU上的处理完成后，DataParallel会将结果合并成一个完整的输出。这个过程是自动的，我们不需要手动进行合并。