Merge branch 'dev0.8.0' of github.com:fastnlp/fastNLP into dev0.8.0

fastNLP/core/__init__.py

@@ -48,6 +48,7 @@ __all__ = [
     'prepare_jittor_dataloader',
     'prepare_paddle_dataloader',
     'prepare_torch_dataloader',
+    "prepare_dataloader",
 
     # dataset
     'DataSet',

fastNLP/core/callbacks/checkpoint_callback.py

@@ -32,7 +32,7 @@ class CheckpointCallback(Callback):
         model_save_fn 为 None ，则以上每个 folder 中，将生成 fastnlp_model.pkl.tar 文件。
         若 model_save_fn 不为 None，则 fastNLP 将 folder 绝对路径传递给该函数，fastNLP 在该 folder 下不进行模型保存。
 
-        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
                 的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
                 果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请返回 None 。
         :param folder: 保存的文件夹，fastNLP 将在该文件下以时间戳创建子文件夹，并在里面保存。因此不同次运行可以将被保存到不同的

fastNLP/core/callbacks/early_stop_callback.py

@@ -12,7 +12,7 @@ class EarlyStopCallback(HasMonitorCallback):
     def __init__(self, monitor:Union[str, Callable]=None, larger_better:bool=True, patience:int=10):
         """
 
-        :param str monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param str monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
             的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
             果(字典类型)，返回一个 float 值作为 monitor 的结果。
         :param larger_better: monitor 的值是否是越大越好。

fastNLP/core/callbacks/has_monitor_callback.py

@@ -34,7 +34,7 @@ class ResultsMonitor:
         """
         可用于监控某个数值，并通过 is_better_results() 等接口实现检测结果是否变得更好了。
 
-        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
                 的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
                 果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请返回 None 。
         :param larger_better: monitor 是否时越大越好
@@ -171,7 +171,7 @@ class HasMonitorCallback(ResultsMonitor, Callback):
         该 callback 不直接进行使用，作为其它相关 callback 的父类使用，如果 callback 有使用 monitor 可以继承该函数里面实现了
         （1）判断monitor合法性；（2）在需要时， 根据trainer的monitor设置自己的monitor名称。
 
-        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
                 的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
                 果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请返回 None 。
         :param larger_better: monitor 是否时越大越好
@@ -209,7 +209,7 @@ class ExecuteOnceBetterMonitor(HasMonitorCallback):
         """
         当监控的 monitor 结果更好的时候，调用 execute_fn 函数。
 
-        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
                 的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
                 果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请返回 None 。
         :param larger_better: monitor 是否时越大越好

fastNLP/core/callbacks/load_best_model_callback.py

@@ -21,7 +21,7 @@ class LoadBestModelCallback(HasMonitorCallback):
         """
         保存最佳的 monitor 值最佳的模型，并在训练结束的时候重新加载模型。仅在训练正常结束的时候才能加载最好的模型。
 
-        :param str monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+        :param str monitor: 监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
             的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，接受参数为 evaluation 的结
             果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请返回 None 。
         :param larger_better: 该 metric 值是否是越大越好。

fastNLP/core/callbacks/more_evaluate_callback.py

@@ -37,7 +37,7 @@ class MoreEvaluateCallback(HasMonitorCallback):
             一个 bool 值，返回为 True 说明需要进行 evaluate ；将在每个 batch 结束后调用该函数判断是否需要 evaluate 。
         :param watch_monitor: 这个值用来表示监控的 Trainer 中的 evaluate 结果的，当该值不为 None ，evaluate_every 失效。本参数的
             意义是，当检测到 Trainer 中 evaluate results 的 {watch_monitor} 的结果更好时，则进行一次 evaluate 。该参数有两种
-            取值: (1) str 类型，监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最
+            取值: (1) str 类型，监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最
             匹配的那个作为 monitor ; (2) 也可以传入一个函数，接受参数为 evaluation 的结果(字典类型)，返回一个 float 值作为 monitor
             的结果，如果当前结果中没有相关的monitor 值请返回 None 。
         :param watch_monitor_larger_better: watch_monitor 是否越大越好。

fastNLP/core/callbacks/progress_callback.py

@@ -46,7 +46,7 @@ class RichCallback(ProgressCallback):
         :param print_every: 多少个 batch 更新一次显示。
         :param loss_round_ndigit: 显示的 loss 保留多少位有效数字
         :param monitor: 当检测到这个key的结果更好时，会打印出不同的颜色进行提示。监控的 metric 值。如果在 evaluation 结果中没有找到
-            完全一致的名称，将使用 最短公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor
+            完全一致的名称，将使用 最长公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor
             。也可以传入一个函数，接受参数为 evaluation 的结果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有
             相关的 monitor 值请返回 None 。
         :param larger_better: 是否是 monitor 的结果越大越好。
@@ -141,7 +141,7 @@ class RawTextCallback(ProgressCallback):
         :param print_every: 多少个 batch 更新一次显示。
         :param loss_round_ndigit: 显示的 loss 保留多少位有效数字
         :param monitor: 当检测到这个key的结果更好时，会打印出不同的颜色进行提示。监控的 metric 值。如果在 evaluation 结果中没有找到
-            完全一致的名称，将使用 最短公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor
+            完全一致的名称，将使用 最长公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor
             。也可以传入一个函数，接受参数为 evaluation 的结果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有
             相关的 monitor 值请返回 None 。
         :param larger_better: 是否是monitor的结果越大越好。

fastNLP/core/callbacks/topk_saver.py

@@ -183,7 +183,7 @@ class TopkSaver(ResultsMonitor, Saver):
 
         :param topk: 保存 topk 多少的模型，-1 为保存所有模型；0 为都不保存；大于 0 的数为保存 topk 个。
         :param monitor: 监控哪个指标判断是否是 topk 的。监控的 metric 值。如果在 evaluation 结果中没有找到完全一致的名称，将使用
-            最短公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，
+            最长公共字符串算法 找到最匹配的那个作为 monitor 。如果为 None，将尝试使用 Trainer 设置的 monitor 。也可以传入一个函数，
             接受参数为 evaluation 的结果(字典类型)，返回一个 float 值作为 monitor 的结果，如果当前结果中没有相关的 monitor 值请
             返回 None 。
         :param larger_better: 该 monitor 是否越大越好。

fastNLP/core/collators/collator.py

@@ -6,19 +6,20 @@ from typing import List, Union, Dict, Callable, Sequence, Mapping
 import os
 import sys
 import inspect
+import re
 
 from fastNLP.core.log import logger
 from .padders.get_padder import get_padder
+from ...envs import SUPPORT_BACKENDS
 
-import re
 
 from .packer_unpacker import SequencePackerUnpacker, SinglePackerUnpacker, MappingPackerUnpacker, \
     NestedMappingPackerUnpacker
 
 sequence_idx_str = re.compile(r'^_\d+$')  # 形如_0, _1
 SUPPORTED_BACKENDS = ['torch', 'jittor', 'paddle', 'numpy', 'raw', 'auto', None]
-CHECK_BACKEND = ['torch', 'jittor', 'paddle']  # backend 为 auto 时 检查是否是这些 backend
-
+# 由于 jittor DataLoader 存在自动的 to_jittor 的转换，所以只需要 collate 成为 numpy 就行
+AUTO_BACKEND_MAPPING = {'jittor': 'numpy'}
 
 def _get_backend() -> str:
     """
@@ -40,7 +41,7 @@ def _get_backend() -> str:
         catch_backend = []
         try:
             file = module.__file__
-            for backend in CHECK_BACKEND:
+            for backend in SUPPORT_BACKENDS:
                 if f'{os.sep}site-packages{os.sep}{backend}' in file:
                     catch_backend = [backend, file]
         except:
@@ -62,10 +63,10 @@ def _get_backend() -> str:
             break
     if len(catch_backend):
         logger.debug(f"Find a file named:{catch_backend[1]} from stack contains backend:{catch_backend[0]}.")
-        return catch_backend[0]
+        return AUTO_BACKEND_MAPPING.get(catch_backend[0], catch_backend[0])
 
     # 方式 (2)
-    for backend in CHECK_BACKEND:
+    for backend in SUPPORT_BACKENDS:
         if backend in sys.modules:
             logger.debug(f"sys.modules contains backend:{backend}.")
             return backend

fastNLP/core/collators/padders/paddle_padder.py

@@ -30,7 +30,8 @@ if _NEED_IMPORT_PADDLE:
     }
 
 from .padder import Padder
-from .utils import is_number_or_numpy_number, is_number, is_numpy_number_dtype, get_shape, is_numpy_generic_class
+from .utils import is_number_or_numpy_number, is_number, is_numpy_number_dtype, is_numpy_generic_class, \
+    get_padded_numpy_array
 from .exceptions import *
 
 
@@ -54,7 +55,6 @@ def is_paddle_dtype_str(dtype):
     return False
 
 
-
 def _get_dtype(ele_dtype, dtype, class_name):
     if not (ele_dtype is None or is_number_or_numpy_number(ele_dtype) or is_paddle_tensor(ele_dtype) or is_paddle_dtype_str(ele_dtype)):
         raise EleDtypeUnsupportedError(f"`{class_name}` only supports padding python numbers "
@@ -131,7 +131,7 @@ class PaddleTensorPadder(Padder):
     def pad(batch_field, pad_val, dtype):
         try:
             if not isinstance(batch_field[0], paddle.Tensor):
-                batch_field = [paddle.to_tensor(field.tolist(), dtype=dtype) for field in batch_field]
+                batch_field = [np.array(field.tolist()) for field in batch_field]
             else:
                 if dtype is None:
                     dtype = batch_field[0].dtype
@@ -141,46 +141,14 @@ class PaddleTensorPadder(Padder):
 
         shapes = [field.shape for field in batch_field]
         max_shape = [len(batch_field)] + [max(*_) for _ in zip(*shapes)]
-        tensor = paddle.full(max_shape, fill_value=pad_val, dtype=dtype)
+        array = np.full(max_shape, fill_value=pad_val)
         for i, field in enumerate(batch_field):
             slices = (i, ) + tuple(slice(0, s) for s in shapes[i])
-            tensor[slices] = field
+            array[slices] = field
+        tensor = paddle.to_tensor(array, dtype=dtype)
         return tensor
 
 
-def fill_tensor(batch_field, padded_batch, dtype):
-    """
-    将 batch_field 中的值填入到 tensor 中。
-
-    :param batch_field: 需要填充进入 array 中的内容
-    :param padded_batch: 待填充的 tensor
-    :param dtype: 数据的类别
-
-    :return:
-    """
-    if padded_batch.ndim == 2:
-        for i, content_i in enumerate(batch_field):
-            padded_batch[i, :len(content_i)] = paddle.to_tensor(content_i, dtype=dtype)
-    elif padded_batch.ndim == 3:
-        for i, content_i in enumerate(batch_field):
-            for j, content_ii in enumerate(content_i):
-                padded_batch[i, j, :len(content_ii)] = paddle.to_tensor(content_ii, dtype=dtype)
-    elif padded_batch.ndim == 4:
-        try:  # 应该是图像，所以直接应该就 ok 了。
-            padded_batch = np.array(batch_field)
-        except:
-            for i, content_i in enumerate(batch_field):
-                for j, content_ii in enumerate(content_i):
-                    for k, content_iii in enumerate(content_ii):
-                        padded_batch[i, j, k, :len(content_iii)] = paddle.to_tensor(content_iii, dtype=dtype)
-    elif padded_batch.ndim == 1:
-        padded_batch[:] = paddle.to_tensor(batch_field, dtype=dtype)
-    else:
-        raise RuntimeError("fastNLP does not support padding for more than 3 dimensions. If you need this, please "
-                           "report.")
-    return padded_batch
-
-
 def get_padded_paddle_tensor(batch_field, dtype=None, pad_val=0):
     """
     例如:
@@ -192,7 +160,6 @@ def get_padded_paddle_tensor(batch_field, dtype=None, pad_val=0):
     :param pad_val: pad 的 value
     :return:
     """
-    shapes = get_shape(batch_field)
-    tensor = paddle.to_tensor(np.full(shape=shapes, fill_value=pad_val), dtype=dtype)
-    tensor = fill_tensor(batch_field, tensor, dtype=dtype)
+    array = get_padded_numpy_array(batch_field=batch_field, dtype=None, pad_val=pad_val)
+    tensor = paddle.to_tensor(array, dtype=dtype)
     return tensor

fastNLP/core/controllers/evaluator.py

@@ -51,23 +51,25 @@ class Evaluator:
          为 False，那么我们会将 batch 直接透传给 forward 函数。注意上述逻辑同样应用于 `train_step`, `evaluate_step` 和 `test_step`；
         :param fp16: 是否使用 fp16 。
         :param verbose: 是否打印 evaluate 的结果。
-        :param \**kwargs:
-            See below
         :kwargs:
-        * *model_use_eval_mode* (``bool``) -- 
-            是否在 evaluate 的时候将 model 的状态设置成 eval 状态。在 eval 状态下，model 的
-            dropout 与 batch normalization 将会关闭。默认为True。如果为 False，fastNLP 不会对 model 的 evaluate 状态做任何设置。无论
-            该值是什么，fastNLP 都会在 evaluate 接受后将 model 的状态设置为 train 。
-        * *use_dist_sampler* -- 
-            是否使用分布式evaluate的方式。仅当 driver 为分布式类型时，该参数才有效。默认为根据 driver 是否支持
-            分布式进行设置。如果为True，将使得每个进程上的 dataloader 自动使用不同数据，所有进程的数据并集是整个数据集。
-        * *output_from_new_proc* -- 
-            应当为一个字符串，表示在多进程的 driver 中其它进程的输出流应当被做如何处理；其值应当为以下之一：
-            ["all", "ignore", "only_error"]；当该参数的值不是以上值时，该值应当表示一个文件夹的名字，我们会将其他 rank 的输出流重定向到
-            log 文件中，然后将 log 文件保存在通过该参数值设定的文件夹中；默认为 "only_error"；
-        * *progress_bar* -- 
-            evaluate 的时候显示的 progress bar 。目前支持三种 [None, 'raw', 'rich', 'auto'], auto 表示如果检测
-            到当前terminal为交互型则使用 rich，否则使用 raw。
+            * *torch_kwargs* -- 用于在指定 ``driver`` 为 'torch' 时设定具体 driver 实例的一些参数：
+                * ddp_kwargs -- 用于在使用 ``TorchDDPDriver`` 时指定 ``DistributedDataParallel`` 初始化时的参数；例如传入
+                 {'find_unused_parameters': True} 来解决有参数不参与前向运算导致的报错等；
+                * torch_non_blocking -- 表示用于 pytorch 的 tensor 的 to 方法的参数 non_blocking；
+            * *model_use_eval_mode* (``bool``) --
+                是否在 evaluate 的时候将 model 的状态设置成 eval 状态。在 eval 状态下，model 的
+                dropout 与 batch normalization 将会关闭。默认为True。如果为 False，fastNLP 不会对 model 的 evaluate 状态做任何设置。无论
+                该值是什么，fastNLP 都会在 evaluate 接受后将 model 的状态设置为 train 。
+            * *use_dist_sampler* --
+                是否使用分布式evaluate的方式。仅当 driver 为分布式类型时，该参数才有效。默认为根据 driver 是否支持
+                分布式进行设置。如果为True，将使得每个进程上的 dataloader 自动使用不同数据，所有进程的数据并集是整个数据集。
+            * *output_from_new_proc* --
+                应当为一个字符串，表示在多进程的 driver 中其它进程的输出流应当被做如何处理；其值应当为以下之一：
+                ["all", "ignore", "only_error"]；当该参数的值不是以上值时，该值应当表示一个文件夹的名字，我们会将其他 rank 的输出流重定向到
+                log 文件中，然后将 log 文件保存在通过该参数值设定的文件夹中；默认为 "only_error"；
+            * *progress_bar* --
+                evaluate 的时候显示的 progress bar 。目前支持三种 [None, 'raw', 'rich', 'auto'], auto 表示如果检测
+                到当前terminal为交互型则使用 rich，否则使用 raw。
         """
 
         self.model = model
@@ -159,6 +161,7 @@ class Evaluator:
                     self.reset()
                     self.driver.barrier()
             except BaseException as e:
+                self.driver.on_exception()
                 raise e
             finally:
                 self.finally_progress_bar()

fastNLP/core/controllers/trainer.py

@@ -67,20 +67,28 @@ class Trainer(TrainerEventTrigger):
         要自己实现模型部分，而将训练层面的逻辑完全地交给 fastNLP；
 
         :param model: 训练所需要的模型，目前支持 pytorch；
-        :param driver: 训练模型所使用的具体的驱动模式，应当为以下选择中的一个：["torch", "torch_ddp", ]，之后我们会加入 jittor、paddle 等
-            国产框架的训练模式；其中 "torch" 表示使用 cpu 或者单张 gpu 进行训练
+        :param driver: 训练模型所使用的具体的驱动模式，应当为以下选择中的一个：["torch",]，之后我们会加入 jittor、paddle 等
+            国产框架的训练模式；其中 "torch" 表示使用 ``TorchSingleDriver`` 或者 ``TorchDDPDriver``，具体使用哪一种取决于参数 ``device``
+            的设置；
         :param train_dataloader: 训练数据集，注意其必须是单独的一个数据集，不能是 List 或者 Dict；
         :param optimizers: 训练所需要的优化器；可以是单独的一个优化器实例，也可以是多个优化器组成的 List；
-        :param device: 该参数用来指定具体训练时使用的机器；注意当该参数为 None 时，fastNLP 不会将模型和数据进行设备之间的移动处理，但是你
-            可以通过参数 `input_mapping` 和 `output_mapping` 来实现设备之间数据迁移的工作（通过这两个参数传入两个处理数据的函数）；同时你也
-            可以通过在 kwargs 添加参数 "data_device" 来让我们帮助您将数据迁移到指定的机器上（注意这种情况理应只出现在用户在 Trainer 实例化前
-            自己构造 DDP 的多进程场景）；
-        device 的可选输入如下所示：
-            1. 可选输入：str: ['cpu', 'cuda', 'cuda:0', 'cuda:1', ...] 依次为'cpu'中, 可见的第一个GPU中, 可见的第一个GPU中, 可见的第二个GPU中；
-            2. torch.device：将模型装载到torch.device上；
-            3. int： 将使用device_id为该值的gpu进行训练；如果值为 -1，那么默认使用全部的显卡，此时是 `TorchDDPDriver`；
-            4. list(int)：如果多于1个device，应当通过该种方式进行设定；当 `device` 为一个 list 时，我们默认使用 `TorchDDPDriver`；
-            5. None： 为None则不对模型进行任何处理；
+        :param device: 该参数用来指定具体训练时使用的机器；注意当该参数仅当您通过 `torch.distributed.launch/run` 启动时可以为 None，
+            此时 fastNLP 不会对模型和数据进行设备之间的移动处理，但是你可以通过参数 `input_mapping` 和 `output_mapping` 来实现设备之间
+            数据迁移的工作（通过这两个参数传入两个处理数据的函数）；同时你也可以通过在 kwargs 添加参数 "data_device" 来让我们帮助您将数据
+            迁移到指定的机器上（注意这种情况理应只出现在用户在 Trainer 实例化前自己构造 DDP 的场景）；
+
+            device 的可选输入如下所示：
+
+            * *str*: 例如 'cpu', 'cuda', 'cuda:0', 'cuda:1' 等；
+            * *torch.device*: 将模型装载到 ``torch.device`` 上；
+            * *int*: 将使用 ``device_id`` 为该值的 ``gpu`` 进行训练；如果值为 -1，那么默认使用全部的显卡，此时使用的 driver 实例是 `TorchDDPDriver`；
+            * *list(int)*: 如果多于 1 个device，应当通过该种方式进行设定；注意此时我们一定会使用 ``TorchDDPDriver``，不管您传入的列表的长度是 1 还是其它值；
+            * *None*: 为None则不对模型进行任何处理；
+
+            .. node::
+
+                如果希望使用 ``TorchDDPDriver``
+
 
         :param n_epochs: 训练总共的 epoch 的数量，默认为 20；
         :param evaluate_dataloaders: 验证数据集，其可以是单独的一个数据集，也可以是多个数据集；当为多个数据集时，注意其必须是 Dict；默认
@@ -117,19 +125,20 @@ class Trainer(TrainerEventTrigger):
         :param accumulation_steps: 梯度累积的步数，表示每隔几个 batch 优化器迭代一次；默认为 1；
         :param fp16: 是否开启混合精度训练；默认为 False；
         :param monitor: 当存在 evaluate_dataloaders 时，默认的 monitor metric 的名字。传入的 callback 如果有 monitor 参数且没有
-            在 callback 初始化设定的，将采取这个值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最短公共字符串算法 找到最匹配
+            在 callback 初始化设定的，将采取这个值。如果在 evaluation 结果中没有找到完全一致的名称，将使用 最长公共字符串算法 找到最匹配
             的那个作为 monitor 。也可以传入一个函数，接受参数为 evaluation 的结果(字典类型)，返回一个 float 值作为 monitor 的结果。
             如果 evaluate_dataloaders 与 metrics 没有提供，该参数无意义。
         :param larger_better: monitor 的值是否是越大越好。
         :param marker: 用于标记一个 Trainer 实例，从而在用户调用 `Trainer.on` 函数时，标记该 callback 函数属于哪一个具体的 'trainer' 实例；默认为 None；
         :param kwargs: 一些其它的可能需要的参数，见下方的说明
         :kwargs:
-            * *torch_non_blocking* -- 表示用于 pytorch 的 tensor 的 to 方法的参数 non_blocking；
+            * *torch_kwargs* -- 用于在指定 ``driver`` 为 'torch' 时设定具体 driver 实例的一些参数：
+                * ddp_kwargs -- 用于在使用 ``TorchDDPDriver`` 时指定 ``DistributedDataParallel`` 初始化时的参数；例如传入
+                 {'find_unused_parameters': True} 来解决有参数不参与前向运算导致的报错等；
+                * set_grad_to_none -- 是否在训练过程中在每一次 optimizer 更新后将 grad 置为 None；
+                * torch_non_blocking -- 表示用于 pytorch 的 tensor 的 to 方法的参数 non_blocking；
             * *data_device* -- 表示如果用户的模型 device （在 Driver 中对应为参数 model_device）为 None 时，我们会将数据迁移到 data_device 上；
-            注意如果 model_device 为 None，那么 data_device 不会起作用；
-            * *torch_ddp_kwargs* -- 用于配置 pytorch 的 DistributedDataParallel 初始化时的参数；仅用于 pytorch ddp 训练。例如传入
-            {'find_unused_parameters': True} 来解决有有参数不参与前向运算导致的报错等。
-            * *set_grad_to_none* -- 是否在训练过程中在每一次 optimizer 更新后将 grad 置为 None；
+             注意如果 model_device 为 None，那么 data_device 不会起作用；
             * *use_dist_sampler* -- 表示是否使用分布式的 sampler 。在多卡时，分布式 sampler 将自动决定每张卡上读取的 sample ，使得一个epoch
                 内所有卡的 sample 加起来为一整个数据集的 sample。默认会根据 driver 是否为分布式进行设置。
             * *evaluate_use_dist_sampler* -- 表示在 Evaluator 中在使用 分布式 的时候是否将 dataloader 的 sampler 替换为分布式的 sampler；默认为 True；
@@ -143,6 +152,8 @@ class Trainer(TrainerEventTrigger):
             * *train_output_mapping* -- 与 output_mapping 一致，但是只用于 train 中。与 output_mapping 互斥。
             * *evaluate_input_mapping* -- 与 input_mapping 一致，但是只用于 evaluate 中。与 input_mapping 互斥。
             * *evaluate_output_mapping* -- 与 output_mapping 一致，但是只用于 evaluate 中。与 output_mapping 互斥。
+
+
         """
         self.model = model
         self.marker = marker
@@ -279,7 +290,8 @@ class Trainer(TrainerEventTrigger):
         self.dataloader = self.driver.set_dist_repro_dataloader(dataloader=self.train_dataloader, dist=_dist_sampler,
                                                                 reproducible=self.callback_manager._need_reproducible_sampler)
 
-        self.set_grad_to_none = kwargs.get("set_grad_to_none", True)
+        _torch_kwargs = kwargs.get("torch_kwargs", {})
+        self.set_grad_to_none = _torch_kwargs.get("set_grad_to_none", True)
 
         self.evaluate_batch_step_fn = evaluate_batch_step_fn
         self.kwargs = kwargs
@@ -360,6 +372,14 @@ class Trainer(TrainerEventTrigger):
             self.on_exception(e)
             if not catch_KeyboardInterrupt:
                 raise e
+        except RuntimeError as e:
+            if 'torch' in self.driver_name.lower():  # 如果是 torch ，需要检测一下 find_unused_parameters
+                if 'find_unused_parameters' in e.args[0]:
+                    logger.error("You may need to pass `torch_ddp_kwargs={'find_unused_parameters': True}` in the "
+                                 "Trainer initialization to avoid this error.")
+            self.driver.on_exception()
+            self.on_exception(e)
+            raise e
         except BaseException as e:
             self.driver.on_exception()
             self.on_exception(e)

fastNLP/core/dataloaders/__init__.py

@@ -5,10 +5,13 @@ __all__ = [
     'JittorDataLoader',
     'prepare_jittor_dataloader',
     'prepare_paddle_dataloader',
-    'prepare_torch_dataloader'
+    'prepare_torch_dataloader',
+
+    "prepare_dataloader"
 ]
 
 from .mix_dataloader import MixDataLoader
 from .jittor_dataloader import JittorDataLoader, prepare_jittor_dataloader
 from .torch_dataloader import TorchDataLoader, prepare_torch_dataloader
 from .paddle_dataloader import PaddleDataLoader, prepare_paddle_dataloader
+from .prepare_dataloader import prepare_dataloader

fastNLP/core/dataloaders/jittor_dataloader/fdl.py

@@ -4,6 +4,7 @@ __all__ = [
 ]
 
 from typing import Callable, Optional, List, Union
+from copy import deepcopy
 
 from fastNLP.envs.imports import _NEED_IMPORT_JITTOR
 
@@ -75,10 +76,12 @@ class JittorDataLoader:
         if isinstance(collate_fn, str):
             if collate_fn == "auto":
                 if isinstance(self.dataset.dataset, FDataSet):
-                    self.collate_fn = self.dataset.dataset.collator
-                    self.collate_fn.set_backend(backend="jittor")
+                    self.collate_fn = deepcopy(self.dataset.dataset.collator)
+                    # jittor 比较特殊，只需要保证返回 numpy.array, 其Dataloader会转为jt.var
+                    self.collate_fn.set_backend(backend="numpy")
                 else:
-                    self.collate_fn = Collator(backend="jittor")
+                    # jittor 比较特殊，只需要保证返回 numpy.array, 其Dataloader会转为jt.var
+                    self.collate_fn = Collator(backend="numpy")
             else:
                 raise ValueError(f"collate_fn: {collate_fn} must be 'auto'")
         elif isinstance(collate_fn, Callable):

fastNLP/core/dataloaders/paddle_dataloader/fdl.py

@@ -4,6 +4,7 @@ __all__ = [
 ]
 
 from typing import Callable, List, Optional, Union, Dict, Sequence
+from copy import deepcopy
 
 from fastNLP.envs.imports import _NEED_IMPORT_PADDLE
 
@@ -68,7 +69,7 @@ class PaddleDataLoader(DataLoader):
         if isinstance(collate_fn, str):
             if collate_fn == 'auto':
                 if isinstance(dataset.dataset, FDataSet):
-                    collate_fn = dataset.dataset.collator
+                    collate_fn = deepcopy(dataset.dataset.collator)
                     collate_fn.set_backend(backend="paddle")
                 else:
                     collate_fn = Collator(backend="paddle")

fastNLP/core/dataloaders/prepare_dataloader.py

@@ -0,0 +1,114 @@
+__all__ = [
+    'prepare_dataloader'
+]
+
+from typing import Union, Callable
+import os
+import sys
+
+from ..samplers import RandomBatchSampler, RandomSampler
+from .torch_dataloader import prepare_torch_dataloader
+from .paddle_dataloader import prepare_paddle_dataloader
+from .jittor_dataloader import prepare_jittor_dataloader
+from ...envs import FASTNLP_BACKEND, SUPPORT_BACKENDS, _module_available
+from ..log import logger
+
+
+def prepare_dataloader(dataset, batch_size: int = 16, shuffle: bool = False, drop_last: bool = False,
+             collate_fn: Union[Callable, str, None] = 'auto', num_workers: int = 0,
+             seed: int = 0, backend: str = 'auto'):
+    """
+    自动创建合适的 ``DataLoader`` 对象。例如，检测当当前环境是 ``torch`` 的，则返回 ``TorchDataLoader`` , 是 ``paddle`` 的则
+    返回 ``PaddleDataLoader`` 。如果有更多需要定制的参数，请直接使用对应的 ``prepare`` 函数，例如
+     :func:`~fastNLP.prepare_torch_dataloader` 或  :func:`~fastNLP.prepare_paddle_dataloader` 等。
+
+    :param dataset: 实现 __getitem__() 和 __len__() 的对象；或这种对象的序列；或字典。
+
+        * 为单个数据集对象时
+         返回一个 DataLoader 。
+        * 为数据集对象序列时
+         返回一个序列的 DataLoader 。
+        * 为字典型 或 :class:`~fastNLP.io.DataBundle` 数据时，返回 `Dict` 类型的数据。
+         返回一个字典 。
+
+    :param batch_size: 批次大小。
+    :param shuffle: 是否打乱数据集。
+    :param drop_last: 当最后一个 batch 不足 batch_size 数量的是否，是否丢弃。
+    :param collate_fn: 用于处理一个 batch 的函数，一般包括 padding 和转为 tensor。有以下三种取值：
+
+        * 为 ``auto`` 时
+         使用 :class:`~fastNLP.Collator` 进行 padding 和 转tensor 。
+        * 为 ``Callable`` 时
+         应当接受一个 ``batch`` 的数据作为参数，同时输出一个对象 。
+        * 为 ``None`` 时
+         使用各个框架的 DataLoader 的默认 ``collate_fn`` 。
+    :param num_workers: 使用多少进程进行数据的 fetch 。
+    :param seed: 使用的随机数种子。
+    :param backend: 当前支持 ``["auto", "torch", "paddle", "jittor"]`` 四种类型。
+
+        * 为 ``auto`` 时
+         首先(1) 根据环境变量 "FASTNLP_BACKEND" 进行判断；如果没有设置则，(2）通过当前 ``sys.modules`` 中已经 import 的
+          ``backend`` 进行判定。如果以上均无法判定，则报错。如果找到了 ``backend`` ，则按照下述的方式处理。
+        * 为 ``torch`` 时
+         使用 :func:`~fastNLP.prepare_torch_dataloader` 。
+        * 为 ``paddle`` 时
+         使用 :func:`~fastNLP.prepare_paddle_dataloader` 。
+        * 为 ``jittor`` 时
+         使用 :func:`~fastNLP.prepare_jittor_dataloader` 。
+
+    :return
+    """
+    if backend == 'auto':
+        backend = _get_backend()
+    if backend == 'torch':
+        batch_sampler = RandomBatchSampler(dataset=dataset, batch_size=batch_size, shuffle=shuffle,
+                                           drop_last=drop_last, seed=seed)
+        return prepare_torch_dataloader(ds_or_db=dataset, batch_sampler=batch_sampler, collate_fn=collate_fn,
+                                        num_workers=num_workers, shuffle=False, sampler=None)
+    elif backend == 'paddle':
+        batch_sampler = RandomBatchSampler(dataset=dataset, batch_size=batch_size, shuffle=shuffle,
+                                           drop_last=drop_last, seed=seed)
+        return prepare_paddle_dataloader(ds_or_db=dataset, batch_sampler=batch_sampler, collate_fn=collate_fn,
+                                        num_workers=num_workers)
+    elif backend == 'jittor':
+        sampler = RandomSampler(dataset=dataset, shuffle=shuffle, seed=seed)
+        prepare_jittor_dataloader(ds_or_db=dataset, sampler=sampler, collate_fn=collate_fn,
+                                  num_workers=num_workers, batch_size=batch_size, shuffle=shuffle,
+                                  drop_last=drop_last)
+    else:
+        raise ValueError(f"Currently we do not support backend:{backend}.")
+
+
+def _check_module(module):
+    """
+    检查该 module 是否含有 某个 backend 的特征
+
+    :param module: module 对象
+    :return:
+    """
+    try:
+        file = module.__file__
+        for backend in SUPPORT_BACKENDS:
+            if f'{os.sep}site-packages{os.sep}{backend}' in file:
+                return backend
+    except:
+        pass
+    return None
+
+
+def _get_backend():
+    if os.environ.get(FASTNLP_BACKEND, None) != None:
+        backend = os.environ.get(FASTNLP_BACKEND)
+        logger.debug(f"Get Dataloader backend:{backend} from os.environ")
+    else:
+        available_backends = set()
+        for module in sys.modules.values():
+            _backend = _check_module(module)
+            if _backend:
+                available_backends.add(_backend)
+        if len(available_backends) == 1:
+            backend = available_backends.pop()
+            logger.debug(f"Get Dataloader backend:{backend} from sys.modules.")
+        else:
+            raise RuntimeError("Fail to detect dataloader backend automatically, please set it manually.")
+    return backend

fastNLP/core/dataloaders/torch_dataloader/fdl.py

@@ -4,7 +4,7 @@ __all__ = [
 ]
 
 from typing import Optional, Callable, Sequence, Union, Tuple, Dict, Mapping, List
-import inspect
+from copy import deepcopy
 
 from fastNLP.core.dataset import DataSet
 from fastNLP.core.collators import Collator
@@ -84,7 +84,7 @@ class TorchDataLoader(DataLoader):
         if isinstance(collate_fn, str):
             if collate_fn == 'auto':
                 if isinstance(dataset.dataset, DataSet):  # 使用了 fastnlp dataset
-                    collate_fn = dataset.dataset.collator
+                    collate_fn = deepcopy(dataset.dataset.collator)
                     collate_fn.set_backend(backend="torch")
                 else:
                     collate_fn = Collator(backend="torch")
@@ -178,8 +178,8 @@ class TorchDataLoader(DataLoader):
 
 
 def prepare_torch_dataloader(ds_or_db: Union[DataSet, Sequence[DataSet], Mapping[str, DataSet]],
-                             batch_size: int = 16,
-                             shuffle: bool = True,
+                             batch_size: int = 1,
+                             shuffle: bool = False,
                              sampler: Union["Sampler[int]", ReproducibleSampler, UnrepeatedSampler] = None,
                              batch_sampler: Union["Sampler[Sequence[int]]", ReproducibleBatchSampler] = None,
                              num_workers: int = 0, collate_fn: Union[str, Callable, None] = 'auto',
@@ -250,26 +250,15 @@ def prepare_torch_dataloader(ds_or_db: Union[DataSet, Sequence[DataSet], Mapping
     elif isinstance(ds_or_db, Sequence):
         dl_bundle = []
         for idx, ds in enumerate(ds_or_db):
-            if idx == 0:
-                dl_bundle.append(
-                    TorchDataLoader(dataset=ds, batch_size=batch_size,
-                                    shuffle=shuffle, sampler=sampler, batch_sampler=batch_sampler,
-                                    num_workers=num_workers, collate_fn=collate_fn, pin_memory=pin_memory,
-                                    drop_last=drop_last, timeout=timeout, worker_init_fn=worker_init_fn,
-                                    multiprocessing_context=multiprocessing_context, generator=generator,
-                                    prefetch_factor=prefetch_factor, persistent_workers=persistent_workers,
-                                    )
-                )
-            else:
-                dl_bundle.append(
-                    TorchDataLoader(dataset=ds, batch_size=batch_size,
-                                    shuffle=shuffle, sampler=sampler, batch_sampler=batch_sampler,
-                                    num_workers=num_workers, collate_fn=collate_fn, pin_memory=pin_memory,
-                                    drop_last=drop_last, timeout=timeout, worker_init_fn=worker_init_fn,
-                                    multiprocessing_context=multiprocessing_context, generator=generator,
-                                    prefetch_factor=prefetch_factor, persistent_workers=persistent_workers,
-                                    )
-                )
+            dl_bundle.append(
+                TorchDataLoader(dataset=ds, batch_size=batch_size,
+                                shuffle=shuffle, sampler=sampler, batch_sampler=batch_sampler,
+                                num_workers=num_workers, collate_fn=collate_fn, pin_memory=pin_memory,
+                                drop_last=drop_last, timeout=timeout, worker_init_fn=worker_init_fn,
+                                multiprocessing_context=multiprocessing_context, generator=generator,
+                                prefetch_factor=prefetch_factor, persistent_workers=persistent_workers,
+                                )
+            )
         return dl_bundle
 
     elif isinstance(ds_or_db, Mapping):

fastNLP/core/drivers/choose_driver.py

@@ -17,7 +17,7 @@ def choose_driver(model, driver: Union[str, Driver], device: Optional[Union[int,
     if isinstance(driver, Driver):
         return driver
 
-    if driver in {"torch", "torch_ddp", "fairscale"}:
+    if driver in {"torch", "fairscale"}:
         from fastNLP.core.drivers.torch_driver.initialize_torch_driver import initialize_torch_driver
         return initialize_torch_driver(driver, device, model, **kwargs)
     elif driver in {"jittor"}:
@@ -27,5 +27,5 @@ def choose_driver(model, driver: Union[str, Driver], device: Optional[Union[int,
         from fastNLP.core.drivers.paddle_driver.initialize_paddle_driver import initialize_paddle_driver
         return initialize_paddle_driver(driver, device, model, **kwargs)
     else:
-        raise ValueError("Parameter `driver` can only be one of these values: ['torch', 'torch_ddp', 'fairscale', "
+        raise ValueError("Parameter `driver` can only be one of these values: ['torch', 'fairscale', "
                          "'jittor', 'paddle', 'fleet'].")

fastNLP/core/drivers/paddle_driver/fleet.py

@@ -285,7 +285,7 @@ class PaddleFleetDriver(PaddleDriver):
                 self.world_size = int(os.environ.get("PADDLE_TRAINERS_NUM"))
                 self.global_rank = int(os.environ.get("PADDLE_TRAINER_ID"))
                 reset_seed()
-                logger.info(f"\nworld size, global rank: {self.world_size}, {self.global_rank}\n")
+                logger.info(f"World size: {self.world_size}, Global rank: {self.global_rank}")
                 if not parallel_helper._is_parallel_ctx_initialized():
                     fleet.init(self.role_maker, self.is_collective, self.strategy)
 

fastNLP/core/drivers/torch_driver/ddp.py

@@ -220,7 +220,7 @@ class TorchDDPDriver(TorchDriver):
         self.world_size = None  # int(os.environ.get("WORLD_SIZE"))  len(self.parallel_device)
         self.global_rank = 0
 
-        self._ddp_kwargs = kwargs.get("torch_ddp_kwargs", {})
+        self._ddp_kwargs = self._torch_kwargs.get("ddp_kwargs", {})
         check_user_specific_params(self._ddp_kwargs, DistributedDataParallel.__init__)
         if len(self.model._buffers) != 0 and self._ddp_kwargs.get("broadcast_buffers", None) is None:
             logger.info("Notice your model has buffers and you are using `TorchDDPDriver`, but you do not set "
@@ -251,7 +251,7 @@ class TorchDDPDriver(TorchDriver):
                 self.world_size = int(os.environ.get("WORLD_SIZE"))
                 self.global_rank = int(os.environ.get("RANK"))
                 reset_seed()
-                logger.info(f"World size:{self.world_size}, Global rank:{self.global_rank}")
+                logger.info(f"World size: {self.world_size}, Global rank: {self.global_rank}")
 
                 if not dist.is_initialized():
                     dist.init_process_group(

fastNLP/core/drivers/torch_driver/initialize_torch_driver.py

@@ -32,7 +32,7 @@ def initialize_torch_driver(driver: str, device: Optional[Union[str, "torch.devi
                            "`os.environ['LOCAL_RANK']`.")
         return TorchDDPDriver(model, torch.device(f"cuda:{os.environ['LOCAL_RANK']}"), True, **kwargs)
 
-    if driver not in {"torch", "torch_ddp", "fairscale"}:
+    if driver not in {"torch", "fairscale"}:
         raise ValueError("Parameter `driver` can only be one of these values: ['torch', 'torch_ddp', 'fairscale'].")
 
     _could_use_device_num = torch.cuda.device_count()
@@ -61,22 +61,9 @@ def initialize_torch_driver(driver: str, device: Optional[Union[str, "torch.devi
     elif device is not None and not isinstance(device, torch.device):
         raise ValueError("Parameter `device` is wrong type, please check our documentation for the right use.")
 
-    if driver == "torch":
+    if driver == "torch":  # single, ddp, 直接启动。
         if not isinstance(device, List):
             return TorchSingleDriver(model, device, **kwargs)
-        else:
-            logger.info("Notice you are using `torch` driver but your chosen `device` are multi gpus, we will use "
-                           "`TorchDDPDriver` by default. But if you mean using `TorchDDPDriver`, you should choose parameter"
-                           "`driver` as `TorchDDPDriver`.")
-            return TorchDDPDriver(model, device, **kwargs)
-    elif driver == "torch_ddp":
-        if device is not None and not isinstance(device, List):
-            if device.type == 'cpu':
-                raise ValueError("You are using `torch_ddp` driver, but your chosen `device` is 'cpu'.")
-            logger.info("Notice you are using `torch_ddp` driver, but your chosen `device` is only one gpu, we will "
-                        "still use `TorchDDPDriver` for you, but if you mean using `torch_ddp`, you should "
-                        "choose `torch` driver.")
-            return TorchDDPDriver(model, [device], **kwargs)
         else:
             return TorchDDPDriver(model, device, **kwargs)
     elif driver == "fairscale":

fastNLP/core/drivers/torch_driver/torch_driver.py

@@ -49,8 +49,9 @@ class TorchDriver(Driver):
         self.auto_cast, _grad_scaler = _build_fp16_env(dummy=not fp16)
         self.grad_scaler = _grad_scaler()
 
+        self._torch_kwargs = kwargs.get("torch_kwargs", {})
         # 用来设置 `torch_move_data_to_device` 中的 `non_blocking` 参数；
-        self.non_blocking = kwargs.get("torch_non_blocking", True)
+        self.non_blocking = self._torch_kwargs.get("torch_non_blocking", True)
 
         # 用来设置是否关闭 auto_param_call 中的参数匹配问题；
         self.wo_auto_param_call = kwargs.get("model_wo_auto_param_call", False)

fastNLP/core/utils/utils.py

@@ -22,6 +22,8 @@ import numpy as np
 from pathlib import Path
 
 from fastNLP.core.log import logger
+from ...envs import SUPPORT_BACKENDS
+
 
 __all__ = [
     'get_fn_arg_names',

tests/core/controllers/test_trainer_w_evaluator_torch.py

@@ -13,11 +13,13 @@ from tests.helpers.datasets.torch_data import TorchNormalDataset_Classification,
 from tests.helpers.callbacks.helper_callbacks import RecordLossCallback, RecordMetricCallback
 from tests.helpers.utils import magic_argv_env_context
 from fastNLP.envs.imports import _NEED_IMPORT_TORCH
+
 if _NEED_IMPORT_TORCH:
     from torch.optim import SGD
     from torch.utils.data import DataLoader
     import torch.distributed as dist
 
+
 @dataclass
 class NormalClassificationTrainTorchConfig:
     num_labels: int = 2
@@ -101,7 +103,8 @@ def model_and_optimizers(request):
 
 # 测试一下普通的情况；
 @pytest.mark.torch
-@pytest.mark.parametrize("driver,device", [("torch", "cpu"), ("torch", 1), ("torch", [0, 1])])  #  ("torch", "cpu"), ("torch", 1), ("torch", [0, 1])
+@pytest.mark.parametrize("driver,device", [("torch", "cpu"), ("torch", 1),
+                                           ("torch", [0, 1])])  # ("torch", "cpu"), ("torch", 1), ("torch", [0, 1])
 @pytest.mark.parametrize("evaluate_every", [-3, -1, 100])
 @magic_argv_env_context
 def test_trainer_torch_with_evaluator(
@@ -173,6 +176,7 @@ def test_trainer_torch_with_evaluator_fp16_accumulation_steps(
     if dist.is_initialized():
         dist.destroy_process_group()
 
+
 @pytest.mark.torch
 @pytest.mark.parametrize("driver,device", [("torch", 'cpu')])  # ("torch", [0, 1]),("torch", 1)
 @magic_argv_env_context
@@ -182,7 +186,6 @@ def test_trainer_validate_every(
         device,
         n_epochs=6,
 ):
-
     def validate_every(trainer):
         if trainer.global_forward_batches % 10 == 0:
             print("\nfastNLP test validate every.\n")
@@ -234,7 +237,7 @@ def test_trainer_on(
         device=device,
         optimizers=model_and_optimizers.optimizers,
         train_dataloader=model_and_optimizers.train_dataloader,
-        evaluate_dataloaders={"dl":model_and_optimizers.evaluate_dataloaders},
+        evaluate_dataloaders={"dl": model_and_optimizers.evaluate_dataloaders},
         input_mapping=model_and_optimizers.input_mapping,
         output_mapping=model_and_optimizers.output_mapping,
         metrics=model_and_optimizers.metrics,
@@ -243,10 +246,94 @@ def test_trainer_on(
         evaluate_every=-1
     )
 
-
-
     trainer.run()
 
 
+@pytest.mark.torch
+@pytest.mark.parametrize("driver,device", [("torch", 'cpu'), ("torch", 0)])  # ("torch", [0, 1]),("torch", 1)
+@magic_argv_env_context
+def test_trainer_specific_params_1(
+        model_and_optimizers: TrainerParameters,
+        driver,
+        device,
+        n_epochs=2,
+):
+    """
+    测试一些特殊的参数是否能够正确地传递；
+    """
+    trainer = Trainer(
+        model=model_and_optimizers.model,
+        driver=driver,
+        device=device,
+        optimizers=model_and_optimizers.optimizers,
+        train_dataloader=model_and_optimizers.train_dataloader,
+        evaluate_dataloaders={"dl": model_and_optimizers.evaluate_dataloaders},
+        input_mapping=model_and_optimizers.input_mapping,
+        output_mapping=model_and_optimizers.output_mapping,
+        metrics=model_and_optimizers.metrics,
+        n_epochs=n_epochs,
+        output_from_new_proc="all",
+        evaluate_every=-1,
+
+        model_wo_auto_param_call=True,
+        torch_kwargs={
+            "torch_non_blocking": False,
+            "set_grad_to_none": True
+        }
+
+    )
+
+    assert trainer.set_grad_to_none is True
+    assert trainer.driver.non_blocking is False
+    assert trainer.driver.wo_auto_param_call is True
+
+
+@pytest.mark.torch
+@pytest.mark.parametrize("driver,device", [("torch", [0, 1])])  # ("torch", [0, 1]),("torch", 1)
+@magic_argv_env_context
+def test_trainer_specific_params_2(
+        model_and_optimizers: TrainerParameters,
+        driver,
+        device,
+        n_epochs=2,
+):
+    """
+    测试一些特殊的参数是否能够正确地传递；
+    """
+    trainer = Trainer(
+        model=model_and_optimizers.model,
+        driver=driver,
+        device=device,
+        optimizers=model_and_optimizers.optimizers,
+        train_dataloader=model_and_optimizers.train_dataloader,
+        evaluate_dataloaders={"dl": model_and_optimizers.evaluate_dataloaders},
+        input_mapping=model_and_optimizers.input_mapping,
+        output_mapping=model_and_optimizers.output_mapping,
+        metrics=model_and_optimizers.metrics,
+        n_epochs=n_epochs,
+        output_from_new_proc="all",
+        evaluate_every=-1,
+
+        model_wo_auto_param_call=True,
+        torch_kwargs={
+            "ddp_kwargs": {
+                "broadcast_buffers": True,
+                "find_unused_parameters": True
+            },
+            "torch_non_blocking": False,
+            "set_grad_to_none": True
+        }
+
+    )
+
+    assert trainer.set_grad_to_none is True
+    assert trainer.driver.non_blocking is False
+    assert trainer.driver.wo_auto_param_call is True
+    assert trainer.driver.output_from_new_proc == "all"
+
+    _ddp_kwargs = trainer.driver._ddp_kwargs
+    assert _ddp_kwargs.get("broadcast_buffers") is True
+    assert _ddp_kwargs.get("find_unused_parameters") is True
+
 
 

tests/core/dataloaders/test_prepare_dataloader.py

@@ -0,0 +1,13 @@
+import pytest
+
+from fastNLP import prepare_dataloader
+from fastNLP import DataSet
+
+
+@pytest.mark.torch
+def test_torch():
+    import torch
+    ds = DataSet({"x": [[1, 2], [2, 3, 4], [4, 5, 6, 7]] * 10, "y": [1, 0, 1] * 10})
+    dl = prepare_dataloader(ds, batch_size=2, shuffle=True)
+    for batch in dl:
+        assert isinstance(batch['x'], torch.Tensor)