Modify the best practice guider for multi-node gpu training (#2094)

* modify the doc, test=develop

doc/fluid/advanced_guide/performance_improving/multinode_training_improving/dist_training_gpu.rst

@@ -7,34 +7,39 @@
 开始优化您的GPU分布式训练任务
 ---------------------------
 
-PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性能分布式训练。
-通常可以通过以下方法优化在多机多卡环境训练性能，建议在进行性能优化时，
-检查每项优化点并验证对应提升，从而提升最终的性能。
+PaddlePaddle Fluid支持在现代GPU [#]_ 服务器集群上完成高性能分布式训练。通常可以通过以下方法优化在多机多卡环境训练性能，建议在进行性能优化时，检查每项优化点并验证对应提升，从而提升最终的性能。
 
-一个简单的验证当前的训练程序是否需要进一步优化性能的方法，
-是查看GPU的计算利用率 [#]_ ，通常用 :code:`nvidia-smi` 命令查看。
-如果GPU利用率较低，则可能存在较大的优化空间。
-下面主要从环境变量设置、训练策略设置、数据准备和训练方式四个方向介绍GPU分布式训练中常用的方法。
+一个简单的验证当前的训练程序是否需要进一步优化性能的方法，是查看GPU的计算利用率 [#]_ ，通常用 :code:`nvidia-smi` 命令查看。如果GPU利用率较低，则可能存在较大的优化空间。下面主要从数据准备、训练策略设置和训练方式三个方面介绍GPU分布式训练中常用的优化方法。
 
-1、环境变量设置
-=============
+1、数据准备
+===========
 
-环境变量设置表
+数据读取的优化在GPU训练中至关重要，尤其在不断增加batch_size提升吞吐时，计算对reader性能会有更高对要求，优化reader性能需要考虑的点包括：
 
-..  csv-table:: 
-    :header: "调节项", "可选值", "说明"
-    :widths: 3, 3, 5
+ - 使用 :code:`DataLoader` 。参考 `这里 <https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api_cn/io_cn/DataLoader_cn.html#dataloader>`_ 使用DataLoader，并建议开启 :code:`use_double_buffer` 。
+ - reader返回uint8类型数据。图片在解码后一般会以uint8类型存储，如果在reader中转换成float类型数据，会将数据体积扩大4倍。直接返回uint8数据，然后在GPU上转化成float类型进行训练可以提升数据读取效率。
+ - 减少reader初始化时间 (infinite read)。在训练任务开始执行第一轮训练时，reader开始不断异步地从磁盘或其他存储中读取数据并执行预处理，然后将处理好的数据填充到队列中供计算使用。从0开始填充这个队列直到数据可以源源不断供给计算，需要一定时间的预热。所以，如果每轮训练都重新填充队列，会产生一些时间的开销。所以，在使用DataLoader时，可以让reader函数不断地产生数据，直到训练循环结束：
 
-    ":code:`FLAGS_sync_nccl_allreduce`", "0,1", "是否同步AllReduce操作。1表示开启,每次调用等待AllReduce同步"
-    ":code:`FLAGS_fraction_of_gpu_memory_to_use`", "0~1之间的float值",  "预先分配显存的占比"
-    ":code:`NCCL_IB_DISABLE` ", "0,1", "是否启用RDMA多机通信。如果机器硬件支持，可以设置1，开启RDMA支持"
+   .. code-block:: python
+      :linenos:
 
-说明：
+      def infinite_reader(file_path):
+          while True:
+              with open(file_path) as fn:
+                  for line in fn:
+                      yield process(line)
+
+      def train():
+          ...
+          for pass_id in xrange(NUM_PASSES):
+              if pass_id == 0:
+                  data_loader.start()
+              for batch_id in (iters_per_pass):
+                  exe.run()
+          data_loader.reset()
 
-- 关于 :code:`FLAGS_sync_nccl_allreduce` ，配置 :code:`FLAGS_sync_nccl_allreduce=1` 让每次allreduce操作都等待完成，可以提升性能，详细原因和分析可以参考：https://github.com/PaddlePaddle/Paddle/issues/15049。
-- 关于  :code:`FLAGS_fraction_of_gpu_memory_to_use` ，配置 :code:`FLAGS_fraction_of_gpu_memory_to_use=0.95` ，0.95是指95%的显存会预先分配。设置的范围是0.0~1.0。注意，设置成0.0会让每次显存分配都调用 :code:`cudaMalloc` 这样会极大的降低训练性能。
-- 关于 :code:`NCCL_IB_DISABLE` ，在使用NCCL2模式训练时，其会默认尝试开启RDMA通信，如果系统不支持，则会自动降级为使用TCP通信。可以通过打开环境变量 :code:`NCCL_DEBUG=INFO` 查看NCCL是否选择了开启RDMA通信。如果需要强制使用TCP方式通信，可以设置 :code:`NCCL_IB_DISABLE=1` 。
 
+另外，可以使用DALI库提升数据处理性能。DALI是NVIDIA开发的数据加载库，更多内容请参考 `官网文档 <https://docs.nvidia.com/deeplearning/dali/user-guide/docs/index.html>`_ 。飞桨中如何结合使用DALI库请参考 `使用示例 <https://github.com/PaddlePaddle/Fleet/tree/develop/benchmark/collective/resnet>`_ 。
 
 2、训练策略设置
 ===========
@@ -48,9 +53,11 @@ PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性
     ":code:`num_threads`", "int", "1", "CPU线程数"
     ":code:`nccl_comm_num`", "int", "1", "nccl通信器数量"
     ":code:`fuse_all_reduce_ops`", "bool", "False", "多卡训练时，将AllReduce操纵进行融合"
-    ":code:`use_hierarchical_allreduce` ", "bool", "False","分级式reduce"
+    ":code:`use_hierarchical_allreduce` ", "bool", "False", "分级式reduce"
     ":code:`num_iteration_per_drop_scope`", "int", "1", "scope drop频率，设置每隔几个batch的迭代之后执行一次清理scope"
     ":code:`fetch_frequency`", "int", "1", "fetch的刷新频率"
+    ":code:`fuse_bn_act_ops`", "bool", "False", "是否开启batch normalization和激活函数的融合"
+    ":code:`fuse_elewise_add_act_ops`", "bool", "False", "是否开启elementwise add函数和激活函数的融合"
 
 说明：
 
@@ -58,7 +65,7 @@ PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性
 - 关于AllReduce融合 :code:`fuse_all_reduce_ops` ，默认情况下会将同一layer中参数的梯度的AllReduce操作合并成一个，比如对于 :code:`fluid.layers.fc` 中有Weight和Bias两个参数，打开该选项之后，原本需要两次AllReduce操作，现在只用一次AllReduce 操作。此外，为支持更大粒度的参数梯度融合，Paddle提供了 :code:`FLAGS_fuse_parameter_memory_size` 和 :code:`FLAGS_fuse_parameter_groups_size` 两个环境变量选项。用户可以指定融合AllReduce操作之后，每个AllReduce操作的梯度字节数，比如希望每次AllReduce调用传输16MB的梯度，:code:`export FLAGS_fuse_parameter_memory_size=16` ，经验值为总通信量的十分之一。可以指定每次AllReduce操作的最大层数，即到达该层数就进行AllReduce，如指定50层 :code:`export FLAGS_fuse_parameter_groups_size=50` 。注意：目前不支持sparse参数梯度。
 - 关于使用分级式reduce :code:`use_hierarchical_allreduce` 。对于多机模式，针对小数据量的通信，Ring AllReduce通信效率低，采用Hierarchical AllReduce可以解决该问题。
 - 关于降低scope drop频率 :code:`num_iteration_per_drop_scope` 和fetch频率 :code:`fetch_frequency` 。减少scope drop和fetch频率，可以减少频繁的变量内存申请、释放和拷贝，从而提升性能。
-- 其他训练策略的参数可以参考 `这里 <../best_practice/training_best_practice.html>`_ 。
+- 关于操作融合：通过参数融合可以提升训练性能。
 
 设置这些参数可以参考：
 
@@ -88,67 +95,12 @@ PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性
                exe.run([])
 
 
-3、数据准备
-===========
-
-1、使用GPU完成部分图片预处理
-
-如果可能，使用GPU完成部分数据预处理，比如图片Tensor的归一化：
-
-.. code-block:: python
-   :linenos:
-
-   image = fluid.layers.data()
-   img_mean = fluid.layers.create_global_var([3, 1, 1], 0.0, "float32", name="img_mean", persistable=True)
-   img_std = fluid.layers.create_global_var([3, 1, 1], 0.0, "float32", name="img_std", persistable=True)
-   t1 = fluid.layers.elementwise_sub(image / 255.0, img_mean, axis=1)
-   image = fluid.layers.elementwise_div(t1, img_std, axis=1)
-
-对输入的图片Tensor，使用 :code:`fluid.layers` 完成图片数据归一化预处理，
-这样可以减轻CPU预处理数据的负担，提升总体训练速度。
-
-2、优化reader性能
-
-数据读取的优化在GPU训练中至关重要，尤其在不断增加batch_size提升吞吐时，计算对reader性能会有更高对要求，
-优化reader性能需要考虑的点包括：
-
- - 使用 :code:`pyreader` 。参考 `这里 <../../user_guides/howto/prepare_data/use_py_reader.html>`_ 使用pyreader，并开启 :code:`use_double_buffer` 。
- - reader返回uint8类型数据。图片在解码后一般会以uint8类型存储，如果在reader中转换成float类型数据，会将数据体积扩大4倍。直接返回uint8数据，然后在GPU上转化成float类型进行训练
- - 减少reader初始化时间 (infinite read)
-   在训练任务开始执行第一轮训练时，reader开始异步的，不断的从磁盘或其他存储中读取数据并执行预处理，然后将处理好的数据
-   填充到队列中供计算使用。从0开始填充这个队列直到数据可以源源不断供给计算，需要一定时间的预热。所以，如果每轮训练
-   都重新填充队列，会产生一些时间的开销。所以，在使用pyreader时，可以让reader函数不断的产生数据，直到训练循环手动break：
-
-   .. code-block:: python
-      :linenos:
-
-      def infinite_reader(file_path):
-          while True:
-              with open(file_path) as fn:
-                  for line in fn:
-                      yield process(line)
-
-      def train():
-          ...
-          for pass_id in xrange(NUM_PASSES):
-              if pass_id == 0:
-                  pyreader.start()
-              for batch_id in (iters_per_pass):
-                  exe.run()
-          pyreader.reset()
-
-4、训练方式
+3、训练方式
 ===========
 
 1、Local SGD
 
-GPU多机多卡同步训练过程中存在慢trainer现象，
-即每步中训练快的trainer的同步通信需要等待训练慢的trainer。
-由于每步中慢trainer的rank具有随机性，
-因此我们使用局部异步训练的方式——LocalSGD，
-通过多步异步训练（无通信阻塞）实现慢trainer时间均摊，
-从而提升同步训练性能。
-Local SGD训练方式主要有三个参数，分别是：
+GPU多机多卡同步训练过程中存在慢trainer现象，即每步中训练快的trainer的同步通信需要等待训练慢的trainer。由于每步中慢trainer的rank具有随机性，因此我们使用局部异步训练的方式——LocalSGD，通过多步异步训练（无通信阻塞）实现慢trainer时间均摊，从而提升同步训练性能。Local SGD训练方式主要有三个参数，分别是：
 
 ..  csv-table:: 
     :header: "选项", "类型", "可选值", "说明"
@@ -163,18 +115,14 @@ Local SGD训练方式主要有三个参数，分别是：
 - Local SGD的warmup步长 :code:`local_sgd_is_warm_steps` 影响最终模型的泛化能力，一般需要等到模型参数稳定之后在进行Local SGD训练，经验值可以将学习率第一次下降时的epoch作为warmup步长，之后再进行Local SGD训练。
 - Local SGD步长 :code:`local_sgd_steps` ，一般该值越大，通信次数越少，训练速度越快，但随之而来的时模型精度下降。经验值设置为2或者4。
 
-具体的Local SGD的训练代码可以参考：
-https://github.com/PaddlePaddle/Fleet/tree/develop/examples/local_sgd/resnet
+具体的Local SGD的训练代码可以参考：https://github.com/PaddlePaddle/Fleet/tree/develop/examples/local_sgd/resnet
 
 
 2、使用混合精度训练
 
-V100 GPU提供了 `Tensor Core <https://www.nvidia.com/en-us/data-center/tensorcore/>`_ 可以在混合精度计算
-场景极大的提升性能。使用混合精度计算的例子可以参考：
-https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#using-mixed-precision-training
+V100 GPU提供了 `Tensor Core <https://www.nvidia.com/en-us/data-center/tensorcore/>`_ 可以在混合精度计算场景极大的提升性能。使用混合精度计算的例子可以参考：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#using-mixed-precision-training
 
-目前Paddle只提供在两个模型（ResNet, BERT）的混合精度计算实现并支持static loss scaling，其他模型使用混合精度也
-可以参考以上的实现完成验证。
+目前Paddle只提供在两个模型（ResNet, BERT）的混合精度计算实现并支持static loss scaling，其他模型使用混合精度也可以参考以上的实现完成验证。
 
 附录
 ----