ML Space

Обучить модель с использованием библиотеки Horovod

С помощью библиотеки Horovod можно адаптировать нераспределенный код в код, исполняемый в регионе, и эффективно распаралеллить процессы.

Horovod — это библиотека, разработанная компанией Uber, благодаря которой скрипт для выполнения на одной машине можно преобразовать в скрипт, исполняемый в регионе, добавив несколько строк кода.

Примеры использования

Рассмотрим примеры использования Horovod с библиотеками TensorFlow и PyTorch.

Выполните команду hvd.init() в самом начале скрипта.
Прикрепите GPU к процессу MPI. В случае типичной настройки «один графический процессор на один процесс» прикрепление выполняется через установку на hvd.local_rank(). Тогда первому процессу на сервере будет выделен первый графический процессор, второму процессу — второй графический процессор и так далее.

Tensorflow:
```
config = tf.ConfigProto()
config.gpu_options.visible_device_list = str(hvd.local_rank())
```
PyTorch:
```
torch.cuda.set_device(hvd.local_rank())
```
Адаптируйте темп обучения под изменившийся размер батча. Простейший способ — умножить старое значение на число процессов MPI. Однако существуют и более сложные стратегии.

Tensorflow:
```
opt = tf.train.AdagradOptimizer(0.01 * hvd.size)
```
PyTorch:
```
optimizer = optim.SGD(model.parameters(), lr=args.lr * hvd.size(), momentum=args.momentum)
```
Оберните свой оптимизатор классом hvd.DistributedOptimizer

Tensorflow:
```
opt = hvd.DistributedOptimizer(opt)
```
PyTorch:
```
optimizer = hvd.DistributedOptimizer(optimizer,
named_parameters = model.named_parameters())
```
Добавьте hvd.BroadcastGlobalVariablesHook(0) с целью передать начальные состояния переменных с процесса 0 всем другим процессам. Таким образом последовательно инициализируются все процессы, когда обучение начинается со случайных весов или восстанавливается с контрольной точки.
```
hvd.broadcast_global_variables(0)
```
Или:
```
hooks = [hvd.BroadcastGlobalVariablesHook(0)]
```
Далее передайте хук аргументом в MonitoredTrainingSession, TrainingSession, estimator или иной потребитель, который вы используете для обучения.
```
pythonhvd.broadcast_parameters(model.state_dict(), root_rank=0)
```
Измените логику записи контрольных точек так, чтобы она происходила только на процессе с номером 0, например:
```
if hvd.rank() == 0: write smth
```
Опционально вы можете использовать распределенные генераторы данных, например:

PyTorch:
```
# Partition dataset among workers using DistributedSampler
train_sampler = torch.utils.data.distributed.DistributedSampler(
train_dataset, num_replicas=hvd.size(), rank=hvd.rank())
train_loader = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size, sampler=train_sampler)
```
Если в TensorFlow вы используете градиенты напрямую, использовать команду grads=tf.gradients(loss,tvars) не получится. Вместо этого замените код на следующий:

TensorFlow:
```
grads_and_vars = optimizer.compute_gradients(loss, tvars)
grads = [grad for grad, var in grads_and_vars]
```
Рекомендуется проверять данные с использованием только одного процесса:
```
hvd.rank() == 0.
```

Запуск и отладка скриптов через Jupyter Notebook

Выберите один из образов с библиотекой horovod в составе, например cr.msk.sbercloud.ru/aicloud-jupyter/jupyter-cuda11.5-pt1.11.0-gpu.

Запустите скрипт обучения.

Запуск с Horovod:

mpirun -np {GPU count} python train_horovod_example.py

Запуск с Pytorch.distributed:

python -m torch.distributed.launch --nproc_per_node {GPU count} train_distributed_example.py

Была ли статья полезной ?

Предыдущая статья

Обучить модель с использованием PyTorch Elastic Learning

Следующая статья

Сохранить промежуточные результаты обучения (чекпоинты)