From fac03f99ba6dcd5c0eb048fe018d2d8d4b142d0e Mon Sep 17 00:00:00 2001 From: typhoonzero Date: Fri, 23 Nov 2018 12:44:54 +0800 Subject: [PATCH] wip --- doc/fluid/api/api_guides/index.rst | 1 + .../low_level/distributed/index.rst | 8 +++ .../low_level/distributed/sync_training.rst | 59 +++++++++++++++++++ 3 files changed, 68 insertions(+) create mode 100644 doc/fluid/api/api_guides/low_level/distributed/index.rst create mode 100644 doc/fluid/api/api_guides/low_level/distributed/sync_training.rst diff --git a/doc/fluid/api/api_guides/index.rst b/doc/fluid/api/api_guides/index.rst index 05009c360..25b3c37d9 100644 --- a/doc/fluid/api/api_guides/index.rst +++ b/doc/fluid/api/api_guides/index.rst @@ -12,5 +12,6 @@ API使用指南 low_level/metrics.rst low_level/model_save_reader.rst low_level/inference.rst + low_level/distributed/index.rst diff --git a/doc/fluid/api/api_guides/low_level/distributed/index.rst b/doc/fluid/api/api_guides/low_level/distributed/index.rst new file mode 100644 index 000000000..f655b9992 --- /dev/null +++ b/doc/fluid/api/api_guides/low_level/distributed/index.rst @@ -0,0 +1,8 @@ +============= +分布式训练 +============= + +.. toctree:: + :maxdepth: 1 + + sync_training.rst \ No newline at end of file diff --git a/doc/fluid/api/api_guides/low_level/distributed/sync_training.rst b/doc/fluid/api/api_guides/low_level/distributed/sync_training.rst new file mode 100644 index 000000000..65e46799e --- /dev/null +++ b/doc/fluid/api/api_guides/low_level/distributed/sync_training.rst @@ -0,0 +1,59 @@ +.. _api_guide_sync_training: + +############ +分布式同步训练 +############ + +Fluid支持数据并行的分布式同步训练，API使用 :code:`DistributedTranspiler` 将单机网络配置转换成可以多机执行的 +:code:`pserver` 端程序和 :code:`trainer` 端程序，用户在不同的节点执行相同的一段代码，根据环境变量或启动参数， +可以执行对应的 :code:`pserver` 或 :code:`trainer` 角色。Fluid分布式同步训练同时支持pserver模式和NCCL2模式， +在API使用上有差别，需要注意。 + +pserver模式分布式训练 +=================== + +使用DistributedTranspiler +++++++++++++++++++++++++ + +简单用法 +.. code-block:: python + + t = fluid.DistributedTranspiler(config=config) + t.transpile(trainer_id, + program=main_program, + pservers="192.168.0.1:6174,192.168.0.2:6174", + trainers=1, + sync_mode=True) + +以上参数中： +- :code:`trainer_id` : trainer节点的id，从0到n-1，n为当前训练任务中trainer节点的个数 +- :code:`program` : 被转换的 :code:`program` 默认使用 :code:`fluid.default_main_program()` +- :code:`pservers` : 当前训练任务中pserver节点的IP端口列表 +- :code:`trainers` : 当前训练任务中trainer节点的个数（注意NCCL2模式中，此项参数是字符串，指定trainer节点的IP端口列表）， + 注意，在pserver模式下，trainer节点个数可以和pserver节点个数不一致，比如使用20个pserver和50个trainer。在实际训练任务 + 中，您可以通过调整pserver节点和trainer节点个数找到最佳性能。 +- :code:`sync_mode` : 是否是同步训练模式，默认为True，不传此参数也默认是同步训练模式 + +.. code-block:: python + + config = fluid.DistributedTranspilerConfig() + # 配置策略config + config.slice_var_up = False + t = fluid.DistributedTranspiler(config=config) + +其中，支持的config包括： + +- :code:`slice_var_up` : 配置是否切分一个参数到多个pserver上进行优化，默认开启。此选项适用于模型参数个数少， + 但需要使用大量节点的场景，有利于提升pserver端计算并行度 +- :code:`split_method` : 配置transpiler分配参数（或参数的切片）到多个pserver的方式， + 默认为"RoundRobin"，也可以使用"HashName" +- :code:`min_block_size` : 如果配置了参数切分，指定最小Tensor的切分大小，防止RPC请求包过小，默认为8192，一般情况 + 不需要调整此项参数 +- :code:`enable_dc_asgd` : 是否开启 :code:`DC-ASGD` 此选项在异步训练中生效，启用异步训练补偿算法 +- :code:`mode` : 可以选择"pserver"或"nccl2"，指定使用pserver模式或NCCL2模式分布式训练 +- :code:`print_log` : 是否开启transpiler debug日志，此项为开发调试使用 + +NCCL2模式分布式训练 +================= + +TBD \ No newline at end of file -- GitLab