Skip to content

D
docs

MindSpore / docs

通知 4
Star 2
Fork 2
D
docs
提交 082a9db2 编写于 作者: L leiyuning
浏览文件
操作

dp

上级 06f25f60
显示空白变更内容
内联 并排
Showing with 192 addition and 56 deletion
tutorials/source_zh_cn/advanced_use/distributed_training.md
浏览文件 @ 082a9db2
...@@ -7,27 +7,30 @@ ...@@ -7,27 +7,30 @@
- [准备环节](#准备环节) - [准备环节](#准备环节)
- [配置分布式环境变量](#配置分布式环境变量) - [配置分布式环境变量](#配置分布式环境变量)
- [调用集合通信库](#调用集合通信库) - [调用集合通信库](#调用集合通信库)
- [加载数据集](#加载数据集) - [数据并行模式加载数据集](#数据并行模式加载数据集)
- [定义网络](#定义网络) - [定义网络](#定义网络)
- [定义损失函数及优化器](#定义损失函数及优化器) - [定义损失函数及优化器](#定义损失函数及优化器)
- [定义损失函数](#定义损失函数) - [定义损失函数](#定义损失函数)
- [定义优化器](#定义优化器) - [定义优化器](#定义优化器)
- [训练网络](#训练网络) - [训练网络](#训练网络)
- [运行测试用例](#运行测试用例) - [运行脚本](#运行脚本)
<!-- /TOC --> <!-- /TOC -->
## 概述 ## 概述
在深度学习中，数据集和参数量的规模越大，训练需的时间和硬件资源会随之增加，最后变成制约训练的1个瓶颈。分布式并行训练，可以降低对内存、计算性能等硬件的需求，是进行训练的1个重要优化手段。根据并行的原理及模式不同，业界主流的并行种类有以下几种：
MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了数据并行、模型并行及混合并行的一种分布式并行模式，可以自动建立代价模型，为用户选择一种并行模式。 - 数据并行（Data Parallel）：对数据进行切分的1种并行模式，一般按照batch维度切分，将数据分配到各个计算单元（worker）中，进行模型计算。
- 模型并行（Layerwise Parallel）：对模型进行切分，切分后分配到各个计算单元中进行训练，一般按照参数channel维度切分。
其中： - 混合并行（Hybrid Parallel）：涵盖数据并行和模型并行的1种并行模式。
- 数据并行（Data Parallel）：对数据batch维度切分的一种并行模式。
- 模型并行（Layerwise Parallel）：对参数channel维度切分的一种并行模式。
- 混合并行（Hybrid Parallel）：涵盖数据并行和模型并行的一种并行模式。
- 代价模型（Cost Model）：同时考虑内存的计算代价和通信代价对训练时间建模，并设计了高效的算法来找到训练时间较短的并行策略。 - 代价模型（Cost Model）：同时考虑内存的计算代价和通信代价对训练时间建模，并设计了高效的算法来找到训练时间较短的并行策略。
本篇教程我们主要了解如何在MindSpore上通过数据并行及自动并行模式训练ResNet-50网络。 当前MindSpore也提供分布式并行训练的功能。它支持了多种模式包括：
- `DATA_PARALLEL`：数据并行模式。
- `AUTO_PARALLEL`：自动并行模式，融合了数据并行、模型并行及混合并行的1种分布式并行模式，可以自动建立代价模型，为用户选择1种并行模式。当前面向Ascend 910 AI处理器。
- `HYBRID_PARALLEL`：（实验特性）混合并行模式，用户手动设置。
本篇教程我们主要讲解如何在MindSpore上通过数据并行及自动并行模式训练ResNet-50网络。
> 本例面向Ascend 910 AI处理器硬件平台，暂不支持CPU和GPU场景。 > 本例面向Ascend 910 AI处理器硬件平台，暂不支持CPU和GPU场景。
> 你可以在这里下载完整的样例代码：<https://gitee.com/mindspore/docs/blob/master/tutorials/tutorial_code/distributed_training/resnet50_distributed_training.py> > 你可以在这里下载完整的样例代码：<https://gitee.com/mindspore/docs/blob/master/tutorials/tutorial_code/distributed_training/resnet50_distributed_training.py>
...@@ -35,9 +38,9 @@ MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了 ...@@ -35,9 +38,9 @@ MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了
### 配置分布式环境变量 ### 配置分布式环境变量
在实验室环境进行分布式训练时，需要配置当前多卡环境的组网信息文件。如果使用华为云环境，可以跳过本小节。 在裸机环境（对比云上环境，即本地有Ascend 910 AI 处理器）进行分布式训练时，需要配置当前多卡环境的组网信息文件。如果使用华为云环境，因为云服务本身已经做好了配置，可以跳过本小节。
以Ascend 910 AI处理器、AIServer为例，一个两卡环境的json配置文件示例如下，本样例将该配置文件命名为rank_table.json。 以Ascend 910 AI处理器为例，1个8卡环境的json配置文件示例如下，本样例将该配置文件命名为rank_table.json。
```json ```json
{ {
...@@ -47,46 +50,54 @@ MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了 ...@@ -47,46 +50,54 @@ MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了
"group_count": "1", "group_count": "1",
"group_list": [ "group_list": [
{ {
"device_num": "2", "device_num": "8",
"server_num": "1", "server_num": "1",
"group_name": "", "group_name": "",
"instance_count": "2", "instance_count": "8",
"instance_list": [ "instance_list": [
{"devices":[{"device_id":"0","device_ip":"192.1.27.6"}],"rank_id":"0","server_id":"10.155.111.140"}, {"devices": [{"device_id": "0","device_ip": "192.1.27.6"}],"rank_id": "0","server_id": "10.155.111.140"},
{"devices":[{"device_id":"1","device_ip":"192.2.27.6"}],"rank_id":"1","server_id":"10.155.111.140"} {"devices": [{"device_id": "1","device_ip": "192.2.27.6"}],"rank_id": "1","server_id": "10.155.111.140"},
{"devices": [{"device_id": "2","device_ip": "192.3.27.6"}],"rank_id": "2","server_id": "10.155.111.140"},
{"devices": [{"device_id": "3","device_ip": "192.4.27.6"}],"rank_id": "3","server_id": "10.155.111.140"},
{"devices": [{"device_id": "4","device_ip": "192.1.27.7"}],"rank_id": "4","server_id": "10.155.111.140"},
{"devices": [{"device_id": "5","device_ip": "192.2.27.7"}],"rank_id": "5","server_id": "10.155.111.140"},
{"devices": [{"device_id": "6","device_ip": "192.3.27.7"}],"rank_id": "6","server_id": "10.155.111.140"},
{"devices": [{"device_id": "7","device_ip": "192.4.27.7"}],"rank_id": "7","server_id": "10.155.111.140"},
] ]
} }
], ],
"para_plane_nic_location": "device", "para_plane_nic_location": "device",
"para_plane_nic_name": [ "para_plane_nic_name": ["eth0","eth1","eth2","eth3","eth4","eth5","eth6","eth7"],
"eth0", "eth1" "para_plane_nic_num": "8",
],
"para_plane_nic_num": "2",
"status": "completed" "status": "completed"
} }
``` ```
其中需要根据实际训练环境修改的参数项有： 其中需要根据实际训练环境修改的参数项有：
1. `board_id`表示当前运行的环境。 - `board_id`表示当前运行的环境。
2. `server_num`表示机器数量， `server_id`表示本机IP地址。 - `server_num`表示机器数量， `server_id`表示本机IP地址。
3. `device_num`、`para_plane_nic_num`及`instance_count`表示卡的数量。 - `device_num`、`para_plane_nic_num`及`instance_count`表示卡的数量。
4. `rank_id`表示卡逻辑序号，固定从0开始编号，`device_id`表示卡物理序号，即卡所在机器中的实际序号。 - `rank_id`表示卡逻辑序号，固定从0开始编号，`device_id`表示卡物理序号，即卡所在机器中的实际序号。
5. `device_ip`表示网卡IP地址，可以在当前机器执行指令`cat /etc/hccn.conf`获取网卡IP地址。 - `device_ip`表示网卡IP地址，可以在当前机器执行指令`cat /etc/hccn.conf`获取网卡IP地址。
6. `para_plane_nic_name`对应网卡名称。 - `para_plane_nic_name`对应网卡名称。
组网信息文件准备好后，将文件路径加入环境变量`MINDSPORE_HCCL_CONFIG_PATH`中。此外需要将`device_id`信息传入脚本中，本样例通过配置环境变量DEVICE_ID的方式传入。 组网信息文件准备好后，将文件路径加入环境变量`RANK_TABLE_FILE`中。此外需要将`device_id`信息传入脚本中，本样例通过配置环境变量`DEVICE_ID`的方式传入。
```bash ```bash
export MINDSPORE_HCCL_CONFIG_PATH="./rank_table.json" export RANK_TABLE_FILE="./rank_table.json"
export DEVICE_ID=0 export DEVICE_ID=0
``` ```
### 调用集合通信库 ### 调用集合通信库
我们需要在`context.set_context()`接口中使能分布式接口`enable_hccl`，设置`device_id`参数，并通过调用`init()`完成初始化操作。 MindSpore分布式并行训练的通信使用了华为集合通信库`Huawei Collective Communication Library`（以下简称HCCL），可以在Ascend AI处理器配套的软件包中找到。同时`mindspore.communication.management`中封装了HCCL提供的集合通信接口，方便用户配置分布式信息。
> HCCL实现了基于Ascend AI处理器的多机多卡通信，有一些使用限制，我们列出使用分布式服务常见的，详细的可以查看HCCL对应的使用文档。
> - 单机场景下支持1、2、4、8卡设备集群，多机场景下支持8*n卡设备集群。
> - 每台机器的0-3卡和4-7卡各为1个组网，2卡和4卡训练时网卡必须相连且不支持跨组网创建集群。
> - 服务器硬件架构及操作系统需要是SMP（Symmetrical Multi-Processing，对称多处理器）处理模式。
在样例中，我们指定运行时使用图模式，在Ascend AI处理器上，使用华为集合通信库`Huawei Collective Communication Library`（以下简称HCCL）。 下面是调用集合通信库样例代码：
```python ```python
import os import os
...@@ -99,17 +110,16 @@ if __name__ == "__main__": ...@@ -99,17 +110,16 @@ if __name__ == "__main__":
... ...
``` ```
`mindspore.communication.management`中封装了HCCL提供的集合通信接口，方便用户获取分布式信息。常用的包括`get_rank`和`get_group_size`，分别对应当前设备在集群中的ID和集群数量。 其中，
- `mode=context.GRAPH_MODE`：使用分布式训练需要指定运行模式为图模式（PyNative模式不支持并行）。
- `enable_hccl=True`：使能HCCL通信。
- `device_id`：卡物理序号，即卡所在机器中的实际序号。
- `init()`：完成分布式训练初始化操作。
> HCCL实现了基于Davinci架构芯片的多机多卡通信。当前使用分布式服务存在如下约束： ## 数据并行模式加载数据集
> 1. 单机场景下支持1、2、4、8卡设备集群，多机场景下支持8*n卡设备集群。
> 2. 每台机器的0-3卡和4-7卡各为一个组网，2卡和4卡训练时网卡必须相连且不支持跨组网创建集群。
> 3. 操作系统需使用SMP (symmetric multiprocessing)处理模式。
## 加载数据集 分布式训练时，数据是以数据并行的方式导入的。下面我们以CIFAR-10数据集为例，介绍以数据并行方式导入CIFAR-10数据集的方法，`data_path`是指数据集的路径。
分布式训练时，数据是以数据并行的方式导入的。下面我们以Cifar10Dataset为例，介绍以数据并行方式导入CIFAR-10数据集的方法，`data_path`是指数据集的路径。
与单机不同的是，在数据集接口需要传入`num_shards`和`shard_id`参数，分别对应网卡数量和逻辑序号，建议通过HCCL接口获取。
```python ```python
import mindspore.common.dtype as mstype import mindspore.common.dtype as mstype
...@@ -156,6 +166,9 @@ def create_dataset(repeat_num=1, batch_size=32, rank_id=0, rank_size=1): ...@@ -156,6 +166,9 @@ def create_dataset(repeat_num=1, batch_size=32, rank_id=0, rank_size=1):
return data_set return data_set
``` ```
其中，与单机不同的是，在数据集接口需要传入`num_shards`和`shard_id`参数，分别对应网卡数量和逻辑序号，建议通过HCCL接口获取：
- `get_rank`：获取当前设备在集群中的ID。
- `get_group_size`：获取集群数量。
## 定义网络 ## 定义网络
...@@ -165,8 +178,9 @@ def create_dataset(repeat_num=1, batch_size=32, rank_id=0, rank_size=1): ...@@ -165,8 +178,9 @@ def create_dataset(repeat_num=1, batch_size=32, rank_id=0, rank_size=1):
### 定义损失函数 ### 定义损失函数
在Loss部分，我们采用SoftmaxCrossEntropyWithLogits的展开形式，即按照数学公式，将其展开为多个小算子进行实现。 自动并行以展开Loss中的算子为粒度，通过算法搜索得到最优并行策略，所以与单机训练不同的是，为了有更好的并行训练效果，损失函数建议使用小算子来实现。
相较于融合loss，自动并行以展开loss中的算子为粒度，通过算法搜索得到最优并行策略。
在Loss部分，我们采用`SoftmaxCrossEntropyWithLogits`的展开形式，即按照数学公式，将其展开为多个小算子进行实现，样例代码如下：
```python ```python
from mindspore.ops import operations as P from mindspore.ops import operations as P
...@@ -210,14 +224,7 @@ class SoftmaxCrossEntropyExpand(nn.Cell): ...@@ -210,14 +224,7 @@ class SoftmaxCrossEntropyExpand(nn.Cell):
### 定义优化器 ### 定义优化器
采用`Momentum`优化器作为参数更新工具，这里定义与单机一致。 采用`Momentum`优化器作为参数更新工具，这里定义与单机一致，不再展开，具体可以参考样例代码中的实现。
```python
from mindspore.nn.optim.momentum import Momentum
lr = 0.01
momentum = 0.9
opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), lr, momentum)
```
## 训练网络 ## 训练网络
...@@ -225,10 +232,9 @@ opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), lr, mome ...@@ -225,10 +232,9 @@ opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), lr, mome
- `parallel_mode`：分布式并行模式，默认为单机模式`ParallelMode.STAND_ALONE`。可选数据并行`ParallelMode.DATA_PARALLEL`及自动并行`ParallelMode.AUTO_PARALLEL`。 - `parallel_mode`：分布式并行模式，默认为单机模式`ParallelMode.STAND_ALONE`。可选数据并行`ParallelMode.DATA_PARALLEL`及自动并行`ParallelMode.AUTO_PARALLEL`。
- `paramater_broadcast`： 参数初始化广播开关，非数据并行模式下，默认值为`False`。 - `paramater_broadcast`： 参数初始化广播开关，非数据并行模式下，默认值为`False`。
- `mirror_mean`：反向计算时，框架内部会将数据并行参数分散在多台机器的梯度值进行收集，得到全局梯度值后再传入优化器中更新。默认值为`False`，对应`allreduce_sum`操作；设置为`True`对应`allreduce_mean`操作。 - `mirror_mean`：反向计算时，框架内部会将数据并行参数分散在多台机器的梯度值进行收集，得到全局梯度值后再传入优化器中更新。默认值为`False`，设置为True对应`allreduce_mean`操作，False对应`allreduce_sum`操作。
在下面的样例中我们指定并行模式为自动并行，其中`dataset_sink_mode=False`表示采用数据非下沉模式，`LossMonitor`能够通过回调函数返回loss值。 在下面的样例中我们指定并行模式为自动并行。
```python ```python
from mindspore.nn.optim.momentum import Momentum from mindspore.nn.optim.momentum import Momentum
...@@ -246,17 +252,20 @@ def test_train_cifar(num_classes=10, epoch_size=10): ...@@ -246,17 +252,20 @@ def test_train_cifar(num_classes=10, epoch_size=10):
model = Model(net, loss_fn=loss, optimizer=opt) model = Model(net, loss_fn=loss, optimizer=opt)
model.train(epoch_size, dataset, callbacks=[loss_cb], dataset_sink_mode=False) model.train(epoch_size, dataset, callbacks=[loss_cb], dataset_sink_mode=False)
``` ```
其中，
`dataset_sink_mode=False`：表示自动并行采用数据非下沉模式，即训练的计算不下沉到硬件平台中进行。
`LossMonitor`：能够通过回调函数返回Loss值，用于监控损失函数。
## 运行脚本
上述已将训练所需的脚本编辑好了，接下来通过命令调用对应的脚本。
## 运行测试用例 目前MindSpore分布式执行采用单卡单进程运行方式，即每张卡上运行1个进程，进程数量与使用的卡的数量一致。每个进程创建1个目录，用来保存日志信息以及算子编译信息。下面以使用8张卡的分布式训练脚本为例，演示如何运行脚本：
目前MindSpore分布式执行采用单卡单进程运行方式，进程数量应当与卡的使用数量保持一致。每个进程创建一个目录，用来保存日志信息以及算子编译信息。下面以一个2卡分布式训练的运行脚本为例：
```bash ```bash
#!/bin/bash #!/bin/bash
export MINDSPORE_HCCL_CONFIG_PATH=./rank_table.json export RANK_TABLE_FILE=./rank_table.json
export RANK_SIZE=2 export RANK_SIZE=8
for((i=0;i<$RANK_SIZE;i++)) for((i=0;i<$RANK_SIZE;i++))
do do
mkdir device$i mkdir device$i
...@@ -271,3 +280,20 @@ def test_train_cifar(num_classes=10, epoch_size=10): ...@@ -271,3 +280,20 @@ def test_train_cifar(num_classes=10, epoch_size=10):
done done
``` ```
运行时间大约在5分钟内，主要时间是用于算子的编译，实际训练时间在20秒内。输出结果记录在log文件中，关于Loss部分的log如下：
```
test_resnet50_expand_loss_8p.py::test_train_feed ===============ds_num 195
global_step: 194, loss: 1.997
global_step: 389, loss: 1.655
global_step: 584, loss: 1.723
global_step: 779, loss: 1.807
global_step: 974, loss: 1.417
global_step: 1169, loss: 1.195
global_step: 1364, loss: 1.238
global_step: 1559, loss: 1.456
global_step: 1754, loss: 0.987
global_step: 1949, loss: 1.035
end training
PASSED
```
tutorials/tutorial_code/distributed_training/rank_table.json 0 → 100644
浏览文件 @ 082a9db2
{
"board_id": "0x0000",
"chip_info": "910",
"deploy_mode": "lab",
"group_count": "1",
"group_list": [
{
"device_num": "8",
"server_num": "1",
"group_name": "",
"instance_count": "8",
"instance_list": [
{
"devices": [
{
"device_id": "0",
"device_ip": "192.1.27.6"
}
],
"rank_id": "0",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "1",
"device_ip": "192.2.27.6"
}
],
"rank_id": "1",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "2",
"device_ip": "192.3.27.6"
}
],
"rank_id": "2",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "3",
"device_ip": "192.4.27.6"
}
],
"rank_id": "3",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "4",
"device_ip": "192.1.27.7"
}
],
"rank_id": "4",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "5",
"device_ip": "192.2.27.7"
}
],
"rank_id": "5",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "6",
"device_ip": "192.3.27.7"
}
],
"rank_id": "6",
"server_id": "10.155.111.140"
},
{
"devices": [
{
"device_id": "7",
"device_ip": "192.4.27.7"
}
],
"rank_id": "7",
"server_id": "10.155.111.140"
}
]
}
],
"para_plane_nic_location": "device",
"para_plane_nic_name": [
"eth0",
"eth1",
"eth2",
"eth3",
"eth4",
"eth5",
"eth6",
"eth7"
],
"para_plane_nic_num": "8",
"status": "completed"
}
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或