直接套用 distributeddataparallel 报错是因为未初始化默认进程组，必须用 torchrun 启动并调用 torch.distributed.init_process_group(backend="nccl")，且 device 设置、ddp 包裹顺序、distributedsampler 使用及 checkpoint 保存加载均需严格遵循分布式规范。
为什么直接套用 DistributedDataParallel 会报错 RuntimeError: Default process group is not initialized
因为 DistributedDataParallel 不是开箱即用的“多卡开关”，它依赖底层的分布式进程组。没调用 torch.distributed.init_process_group，或者初始化方式和启动方式不匹配（比如用 python train.py 而不是 torchrun），就会崩在这里。
正确做法是统一用 torchrun 启动，并在代码里显式初始化——但注意：如果用了 torchrun，init_process_group 的 rank 和 world_size 会被自动注入环境变量，不需要手动传参。
- 必须用
torchrun --nproc_per_node=2 train.py启动，不能直接python train.py - 代码中调用
torch.distributed.init_process_group(backend="nccl")即可，不用指定rank/world_size（torchrun已设好） - 确保所有 GPU 设备可见且未被占用：
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"不能写在init_process_group之后，否则子进程可能看不到设备
DistributedDataParallel 包裹模型时，为什么 model.cuda() 和 model.to(device) 行为不同？
因为 DistributedDataParallel 内部会把模型复制到当前进程绑定的 GPU 上，所以必须先确定 device，再包裹，顺序错了会出 CUDA error 或显存分配失败。
典型错误写法：model = DDP(model.cuda()) —— 这会让所有进程都把模型搬到 GPU 0，而不是各自对应的 GPU。
- 正确顺序：先获取本进程对应 device（
torch.device(f"cuda:{torch.distributed.get_rank()}")），再model.to(device)，最后DDP(model) - 不要用
model.cuda()，它默认用cuda:0，跨进程时失效 - 如果用了
torchrun，get_rank()就是当前进程的 GPU 索引，无需额外映射
数据加载器怎么避免各卡重复读同一份数据？
普通 DataLoader 不知道分布式上下文，每张卡都会从头读完整个数据集。必须配合 DistributedSampler 切分数据，否则训练等效于单卡跑 N 遍。
DistributedSampler 本身不加载数据，只提供索引切片；它需要显式传给 DataLoader 的 sampler 参数，并设置 shuffle=True（否则每个 epoch 数据顺序固定）。
- 构造 sampler 时传
num_replicas=torch.distributed.get_world_size()和rank=torch.distributed.get_rank() -
DataLoader中必须设shuffle=False（如果用了DistributedSampler），否则会双重 shuffle - 验证/测试阶段也要用
DistributedSampler，否则指标不可比（各卡 batch 数不一致）
保存和加载 checkpoint 时，为什么只让 rank 0 保存、所有 rank 加载？
因为所有进程的模型参数在同步后是一致的，重复保存只是浪费 IO 和磁盘空间；但加载时如果只有 rank 0 加载，其他 rank 的模型仍是随机初始化状态，会直接训练失败。
常见误区是“只在 rank 0 save”，却忘了所有 rank 都要 load —— 这会导致非 rank 0 进程的模型没更新，梯度计算全错。
- 保存：仅
if torch.distributed.get_rank() == 0:执行torch.save(...) - 加载：所有 rank 都执行
torch.load(...)，且路径一致（推荐用绝对路径或共享文件系统） - 加载后记得调用
model.load_state_dict(...)，别漏掉这步 - 如果用
DDP包裹过的模型，保存的是model.module.state_dict()，不是model.state_dict()
torch.cuda.synchronize()、手动修改某张卡的参数、或混用 torch.nn.DataParallel——都会让训练发散。最稳的做法，就是全程跟着 torchrun + DDP + DistributedSampler 这个组合走，少自己造轮子。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
