深度学习：Pytorch分布式训练

简介

在深度学习领域，模型越来越庞大、数据量不断增加，训练这些大型模型越来越耗时。通过在多个GPU或多个节点上并行地训练模型，我们可以显著减少训练时间。此外，某些模型因为巨大的参数量，单个设备可能无法容纳其整个模型和数据。在这种情况下，分布式训练不仅能提高训练速度，更是必要的手段来训练大模型。为此，PyTorch 分布式训练提供了两种基本的并行方法：

• 模型并行（Model Parallel）：模型并行是指将模型的不同部分放到不同的设备上。这种方式通常用于当一个单独的模型太大而无法放到单个GPU上时。

• 数据并行（Data Parallel）：数据并行是将训练数据分割并在多个设备上同时训练的方法。PyTorch提供了 torch.nn.DataParallel 和 torch.nn.parallel.DistributedDataParallel 用于在多个GPU上并行化模型训练。

模型并行

模型并行主要利用to(device)函数将模型和数据（Tensor张量）放置在适当设备上，其余代码基本无需额外改动。
以下是一个简单的模型并行的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim


class DemoModel(nn.Module):
    def __init__(self):
        super(DemoModel, self).__init__()
        self.net1 = torch.nn.Linear(10, 10).to('cuda:0')
        self.relu = torch.nn.ReLU()
        self.net2 = torch.nn.Linear(10, 5).to('cuda:1')

    def forward(self, x):
        x = self.relu(self.net1(x.to('cuda:0')))
        return self.net2(x.to('cuda:1'))

model = DemoModel()
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

optimizer.zero_grad()
outputs = model(torch.randn(20, 10))
labels = torch.randn(20, 5).to('cuda:1')
loss_fn(outputs, labels).backward()
optimizer.step()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

注意调用损失函数时，您只需要确保标签与输出位于同一设备上。不难看出，此模型并行的方法效率相对较低，因为在任何时间点，两个 GPU 中只有一个在工作，而另一个则处于闲置状态。而且中间过程变量从cuda:0复制到cuda:1，又会需要额外的开销。因此可以引入流水线并行来进行加速。

在以下代码示例中，采取将输入数据批次划分为 20 组。由于 PyTorch 异步启动 CUDA 操作，因此可以不需要生成多个线程来实现并发。值得注意的是，使用较小的结果split_size会导致许多微小的 CUDA 内核启动，而使用较大的split_size会导致在第一次和最后一次数据划分期间存在相对较长的空闲时间。因此split_size对于特定实验可能有一个最佳配置，可以多次尝试最佳的超参数。

class PipelineParallelResNet50(ModelParallelResNet50):
    def __init__(self, split_size=20, *args, **kwargs):
        super(PipelineParallelResNet50, self).__init__(*args, **kwargs)
        self.split_size = split_size

    def forward(self, x):
        splits = iter(x.split(self.split_size, dim=0))
        s_next = next(splits)
        s_prev = self.seq1(s_next).to('cuda:1')
        ret = []

        for s_next in splits:
            # A. ``s_prev`` runs on ``cuda:1``
            s_prev = self.seq2(s_prev)
            ret.append(self.fc(s_prev.view(s_prev.size(0), -1)))

            # B. ``s_next`` runs on ``cuda:0``, which can run concurrently with A
            s_prev = self.seq1(s_next).to('cuda:1')

        s_prev = self.seq2(s_prev)
        ret.append(self.fc(s_prev.view(s_prev.size(0), -1)))

        return torch.cat(ret)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

数据并行

DataParallel是单进程、多线程，仅适用于单机，而是DistributedDataParallel多进程，适用于单机和多机训练。由于跨线程的 GIL 争用、每次迭代复制模型以及分散输入和收集输出带来的额外开销，DataParallel通常比DistributedDataParallel在单台机器上更慢。

一般地，数据并行的流程为：

1. 在使用 distributed 包的任何其他函数之前，需要使用 init_process_group 初始化进程组，同时初始化 distributed 包。
2. 如果需要进行组内集体通信，用 new_group 创建子分组
3. 创建分布式并行模型 DDP(model, device_ids=device_ids)
4. 为数据集创建 Sampler
5. 使用启动工具 torch.distributed.launch 在每个主机上执行一次脚本，开始训练
6. 使用 destory_process_group() 销毁进程组

以下是一个简单的数据并行的代码示例：

# demo_ddp.py
# 在init_process_group()时，一般可设置为Gloo、NCCL或mpi后端，Gloo目前在GPU上运行速度比 NCCL慢。所以经验法则是：
# 分布式GPU训练使用 NCCL 后端
# 分布式CPU训练使用 Gloo 后端

import torch
import torch.distributed as dist
import torch.nn as nn
import torch.optim as optim

from torch.nn.parallel import DistributedDataParallel as DDP

class DemoModel(nn.Module):
    def __init__(self):
        super(DemoModel, self).__init__()
        self.net1 = nn.Linear(10, 10)
        self.relu = nn.ReLU()
        self.net2 = nn.Linear(10, 5)

    def forward(self, x):
        return self.net2(self.relu(self.net1(x)))


def demo_basic():
    dist.init_process_group("nccl")
    rank = dist.get_rank()
    print(f"Start running basic DDP example on rank {rank}.")

    # create model and move it to GPU with id rank
    device_id = rank % torch.cuda.device_count()
    model = DemoModel().to(device_id)
    ddp_model = DDP(model, device_ids=[device_id])

    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(ddp_model.parameters(), lr=0.001)

    optimizer.zero_grad()
    outputs = ddp_model(torch.randn(20, 10))
    labels = torch.randn(20, 5).to(device_id)
    loss_fn(outputs, labels).backward()
    optimizer.step()
    dist.destroy_process_group()

if __name__ == "__main__":
    demo_basic()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

然后使用torchrun命令进行启动，其中，nnodes表示总节点数，nproc_per_node表示每个节点运行的进程数，rdzv_id表示用户定义的ID，唯一标识作业的工作组， rdzv_backend表示集合点的后端，rdzv_endpoint表示rendezvous后端运行的地址

# 需要应用 slurm 等集群管理工具来实际在 2 个节点上运行此命令。
export MASTER_ADDR=$(scontrol show hostname ${SLURM_NODELIST} | head -n 1)
torchrun --nnodes=2 --nproc_per_node=8 --rdzv_id=100 --rdzv_backend=c10d --rdzv_endpoint=$MASTER_ADDR:29400 demo_ddp.py
1
2
3

此命令表示在两台服务器上运行 DDP 脚本，每台服务器运行 8 个进程，即在 16 个 GPU 上运行。

参考文献

1. https://pytorch.org/tutorials/intermediate/model_parallel_tutorial.html
2. https://pytorch.org/tutorials/intermediate/ddp_tutorial.html
3. https://medium.com/deelvin-machine-learning/model-parallelism-vs-data-parallelism-in-unet-speedup-1341bc74ff9e