开始使用完全分片数据并行(FSDP)
创建于：2022年3月17日 | 最后更新：2024年7月30日 | 最后验证：2024年11月5日
作者: Hamid Shojanazeri, Yanli Zhao, Shen Li
注意
在github上查看和编辑本教程。
大规模训练AI模型是一项具有挑战性的任务，需要大量的计算能力和资源。处理这些非常大型模型的训练也带来了相当大的工程复杂性。PyTorch FSDP，在PyTorch 1.11中发布，使这一过程变得更加容易。
在本教程中，我们展示了如何使用FSDP API，适用于简单的MNIST模型，这些模型可以扩展到其他更大的模型，例如HuggingFace BERT模型， GPT 3模型，参数高达1T。示例DDP MNIST代码已从这里借用。
FSDP 如何工作
在DistributedDataParallel（DDP）训练中，每个进程/工作者拥有模型的一个副本并处理一批数据，最后使用all-reduce对不同工作者的梯度进行求和。在DDP中，模型权重和优化器状态在所有工作者之间复制。FSDP是一种数据并行方式，它在DDP等级之间分片模型参数、优化器状态和梯度。
在使用FSDP进行训练时，所有工作者的GPU内存占用比使用DDP进行训练时要小。这使得一些非常大的模型的训练变得可行，因为允许更大的模型或批量大小适应设备。这伴随着通信量增加的成本。通过内部优化（如重叠通信和计算）减少了通信开销。
在高层次上，FSDP的工作方式如下：
在构造函数中
分片模型参数，每个等级只保留自己的分片
在前向路径中
运行all_gather以从所有等级收集所有分片，以恢复此FSDP单元中的完整参数
运行前向计算
丢弃刚刚收集的参数分片
在反向路径中
运行all_gather以从所有等级收集所有分片，以恢复此FSDP单元中的完整参数
运行反向计算
运行reduce_scatter以同步梯度
丢弃参数。
一种查看FSDP分片的方法是将DDP梯度全归约分解为减少-分散和全收集。具体来说，在反向传播过程中，FSDP减少并分散梯度，确保每个等级拥有梯度的分片。然后，在优化器步骤中更新相应的参数分片。最后，在随后的前向传播中，它执行全收集操作以收集和组合更新后的参数分片。
如何使用FSDP
在这里，我们使用一个简单的模型在MNIST数据集上进行训练，以用于演示目的。这些API和逻辑也可以应用于训练更大的模型。
设置
1.1 安装 PyTorch 和 Torchvision
查看Get Started guide以获取安装信息。
我们将以下代码片段添加到名为“FSDP_mnist.py”的Python脚本中。
1.2 导入必要的包
注意
本教程适用于PyTorch 1.12及更高版本。如果您使用的是较早的版本，请将所有size_based_auto_wrap_policy实例替换为default_auto_wrap_policy，并将所有fsdp_auto_wrap_policy实例替换为auto_wrap_policy。
# Based on: https://github.com/pytorch/examples/blob/master/mnist/main.py
import os
import argparse
import functools
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
import torch.distributed as dist
import torch.multiprocessing as mp
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.data.distributed import DistributedSampler
from torch.distributed.fsdp import FullyShardedDataParallel as FSDP
from torch.distributed.fsdp.fully_sharded_data_parallel import (
CPUOffload,
BackwardPrefetch,
)
from torch.distributed.fsdp.wrap import (
size_based_auto_wrap_policy,
enable_wrap,
wrap,
)
1.3 分布式训练设置。正如我们提到的，FSDP 是一种数据并行方式，需要分布式训练环境，因此这里我们使用两个辅助函数来初始化分布式训练的进程并进行清理。
def setup(rank, world_size):
os.environ['MASTER_ADDR'] = 'localhost'
os.environ['MASTER_PORT'] = '12355'
# initialize the process group
dist.init_process_group("nccl", rank=rank, world_size=world_size)
def cleanup():
dist.destroy_process_group()
2.1 定义我们的手写数字分类玩具模型。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
2.2 定义一个训练函数
def train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=None):
model.train()
ddp_loss = torch.zeros(2).to(rank)
if sampler:
sampler.set_epoch(epoch)
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(rank), target.to(rank)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target, reduction='sum')
loss.backward()
optimizer.step()
ddp_loss[0] += loss.item()
ddp_loss[1] += len(data)
dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)
if rank == 0:
print('Train Epoch: {} \tLoss: {:.6f}'.format(epoch, ddp_loss[0] / ddp_loss[1]))
2.3 定义一个验证函数
def test(model, rank, world_size, test_loader):
model.eval()
correct = 0
ddp_loss = torch.zeros(3).to(rank)
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(rank), target.to(rank)
output = model(data)
ddp_loss[0] += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
ddp_loss[1] += pred.eq(target.view_as(pred)).sum().item()
ddp_loss[2] += len(data)
dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)
if rank == 0:
test_loss = ddp_loss[0] / ddp_loss[2]
print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)\n'.format(
test_loss, int(ddp_loss[1]), int(ddp_loss[2]),
100. * ddp_loss[1] / ddp_loss[2]))
2.4 定义一个分布式训练函数，将模型封装在FSDP中
注意：要保存FSDP模型，我们需要在每个等级上调用state_dict，然后在等级0上保存整体状态。
def fsdp_main(rank, world_size, args):
setup(rank, world_size)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('../data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('../data', train=False,
transform=transform)
sampler1 = DistributedSampler(dataset1, rank=rank, num_replicas=world_size, shuffle=True)
sampler2 = DistributedSampler(dataset2, rank=rank, num_replicas=world_size)
train_kwargs = {'batch_size': args.batch_size, 'sampler': sampler1}
test_kwargs = {'batch_size': args.test_batch_size, 'sampler': sampler2}
cuda_kwargs = {'num_workers': 2,
'pin_memory': True,
'shuffle': False}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
my_auto_wrap_policy = functools.partial(
size_based_auto_wrap_policy, min_num_params=100
)
torch.cuda.set_device(rank)
init_start_event = torch.cuda.Event(enable_timing=True)
init_end_event = torch.cuda.Event(enable_timing=True)
model = Net().to(rank)
model = FSDP(model)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
init_start_event.record()
for epoch in range(1, args.epochs + 1):
train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=sampler1)
test(model, rank, world_size, test_loader)
scheduler.step()
init_end_event.record()
if rank == 0:
print(f"CUDA event elapsed time: {init_start_event.elapsed_time(init_end_event) / 1000}sec")
print(f"{model}")
if args.save_model:
# use a barrier to make sure training is done on all ranks
dist.barrier()
states = model.state_dict()
if rank == 0:
torch.save(states, "mnist_cnn.pt")
cleanup()
2.5 最后，解析参数并设置主函数
if __name__ == '__main__':
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()
torch.manual_seed(args.seed)
WORLD_SIZE = torch.cuda.device_count()
mp.spawn(fsdp_main,
args=(WORLD_SIZE, args),
nprocs=WORLD_SIZE,
join=True)
我们已经记录了CUDA事件来测量FSDP模型的具体时间。CUDA事件时间为110.85秒。
python FSDP_mnist.py
CUDA event elapsed time on training loop 40.67462890625sec
使用FSDP包装模型后，模型将如下所示，我们可以看到模型已被包装在一个FSDP单元中。 接下来，我们将探讨添加auto_wrap_policy，并讨论其差异。
FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Net(
(conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
(conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
(dropout1): Dropout(p=0.25, inplace=False)
(dropout2): Dropout(p=0.5, inplace=False)
(fc1): Linear(in_features=9216, out_features=128, bias=True)
(fc2): Linear(in_features=128, out_features=10, bias=True)
)
)
)
以下是从PyTorch Profiler捕获的，在具有4个GPU的g4dn.12.xlarge AWS EC2实例上进行的FSDP MNIST训练的峰值内存使用情况。
在FSDP中应用auto_wrap_policy，否则FSDP会将整个模型放在一个FSDP单元中，这会降低计算效率和内存效率。 其工作原理是，假设你的模型包含100个线性层。如果你执行FSDP(model)，将只有一个FSDP单元包裹整个模型。 在这种情况下，allgather将收集所有100个线性层的完整参数，因此不会为参数分片节省CUDA内存。 此外，对于所有100个线性层只有一个阻塞的allgather调用，层之间不会有通信和计算的重叠。
为了避免这种情况，你可以传入一个auto_wrap_policy，它会在满足指定条件（例如大小限制）时密封当前的FSDP单元并自动启动一个新的单元。 这样，你将拥有多个FSDP单元，并且每次只需要一个FSDP单元收集完整的参数。例如，假设你有5个FSDP单元，每个单元封装了20个线性层。 然后，在前向传播过程中，第一个FSDP单元将为前20个线性层收集参数，进行计算，丢弃参数，然后继续处理接下来的20个线性层。因此，在任何时间点，每个节点只实例化20个线性层的参数/梯度，而不是100个。
在2.4版本中，我们定义了auto_wrap_policy并将其传递给FSDP包装器，在以下示例中，my_auto_wrap_policy定义了一个层如果其参数数量大于100，则可以被FSDP包装或分片。 如果该层的参数数量小于100，它将与其他小层一起被FSDP包装。 找到一个最佳的自动包装策略是具有挑战性的，PyTorch将在未来为此配置添加自动调优。在没有自动调优工具的情况下，最好通过实验使用不同的自动包装策略来分析您的工作流程，并找到最佳的一个。
my_auto_wrap_policy = functools.partial(
size_based_auto_wrap_policy, min_num_params=20000
)
torch.cuda.set_device(rank)
model = Net().to(rank)
model = FSDP(model,
auto_wrap_policy=my_auto_wrap_policy)
应用auto_wrap_policy，模型将如下所示：
FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Net(
(conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
(conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
(dropout1): Dropout(p=0.25, inplace=False)
(dropout2): Dropout(p=0.5, inplace=False)
(fc1): FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Linear(in_features=9216, out_features=128, bias=True)
)
)
(fc2): Linear(in_features=128, out_features=10, bias=True)
)
)
python FSDP_mnist.py
CUDA event elapsed time on training loop 41.89130859375sec
以下是从PyTorch Profiler捕获的，在具有4个GPU的g4dn.12.xlarge AWS EC2实例上使用MNIST训练的FSDP自动包装策略的峰值内存使用情况。 可以观察到，与未应用自动包装策略的FSDP相比，每个设备上的峰值内存使用量较小，从约75 MB减少到66 MB。
CPU 卸载: 如果模型非常大，即使使用 FSDP 也无法放入 GPU 中，那么 CPU 卸载在这里可能会有所帮助。
目前，仅支持参数和梯度的CPU卸载。可以通过传入cpu_offload=CPUOffload(offload_params=True)来启用。
请注意，当前这隐式启用了将梯度卸载到CPU的功能，以便参数和梯度位于同一设备上以与优化器一起工作。此API可能会发生变化。默认值为None，在这种情况下将不会进行卸载。
使用此功能可能会显著减慢训练速度，因为需要频繁将张量从主机复制到设备，但它可能有助于提高内存效率并训练更大规模的模型。
在2.4版本中，我们只需将其添加到FSDP包装器中
model = FSDP(model,
auto_wrap_policy=my_auto_wrap_policy,
cpu_offload=CPUOffload(offload_params=True))
将其与DDP进行比较，如果在2.4中我们只是正常地将模型包装在DPP中，保存更改在“DDP_mnist.py”中。
model = Net().to(rank)
model = DDP(model)
python DDP_mnist.py
CUDA event elapsed time on training loop 39.77766015625sec
以下是从PyTorch分析器捕获的，在具有4个GPU的g4dn.12.xlarge AWS EC2实例上进行的DDP MNIST训练的峰值内存使用情况。
考虑到我们在这里定义的玩具示例和小型MNIST模型，我们可以观察到DDP和FSDP在峰值内存使用上的差异。 在DDP中，每个进程都持有模型的一个副本，因此与FSDP相比，内存占用更高，因为FSDP将模型参数、优化器状态和梯度在DDP等级上进行分片。 使用带有auto_wrap策略的FSDP的峰值内存使用是最低的，其次是FSDP和DDP。
此外，从时间上看，考虑到小型模型并在单台机器上运行训练，带有和不带有auto_wrap策略的FSDP几乎与DDP一样快。 这个例子并不代表大多数实际应用，有关DDP和FSDP之间的详细分析和比较，请参阅此博客文章。
