分布式训练快速开始 ================== 使用Fleet API进行分布式训练 --------------------------- 从Paddle Fluid `Release 1.5.1 `__ 开始，官方推荐使用Fleet API进行分布式训练，关于Fleet API的介绍可以参考 `Fleet Design Doc `__ 准备条件 ~~~~~~~~ - [x] 成功安装Paddle Fluid，如果尚未安装，请参考\ `快速开始 `__ - [x] 学会最基本的单机训练方法，请参考\ `单机训练 `__\ 中描述的单卡训练，进行学习 点击率预估任务 ~~~~~~~~~~~~~~ 本文使用一个简单的示例，点击率预估任务，来说明如何使用Fleet API进行分布式训练的配置方法，并利用单机环境模拟分布式环境给出运行示例。示例的源码来自\ `CTR with Fleet `__ 为了方便学习，这里给出的示例是单机与多机混合的代码，用户可以通过不同的启动命令进行单机或多机任务的启动。获取数据的部分，以及对数据预处理的逻辑可以参考\ `CTR with Fleet `__\ 的源码和说明，这里不做过多描述。 .. code:: python from __future__ import print_function from args import parse_args import os import paddle.fluid as fluid import sys from network_conf import ctr_dnn_model_dataset import paddle.fluid.incubate.fleet.base.role_maker as role_maker from paddle.fluid.incubate.fleet.parameter_server.distribute_transpiler import fleet from paddle.fluid.transpiler.distribute_transpiler import DistributeTranspilerConfig dense_feature_dim = 13 sparse_feature_dim = 10000001 batch_size = 100 thread_num = 10 embedding_size = 10 args = parse_args() def main_function(is_local): # common code for local training and distributed training dense_input = fluid.layers.data( name="dense_input", shape=[dense_feature_dim], dtype='float32') sparse_input_ids = [ fluid.layers.data(name="C" + str(i), shape=[1], lod_level=1, dtype="int64") for i in range(1, 27)] label = fluid.layers.data(name="label", shape=[1], dtype="int64") dataset = fluid.DatasetFactory().create_dataset() dataset.set_use_var([dense_input] + sparse_input_ids + [label]) pipe_command = "python criteo_reader.py %d" % sparse_feature_dim dataset.set_pipe_command(pipe_command) dataset.set_batch_size(batch_size) dataset.set_thread(thread_num) whole_filelist = ["raw_data/part-%d" % x for x in range(len(os.listdir("raw_data")))] dataset.set_filelist(whole_filelist) loss, auc_var, batch_auc_var = ctr_dnn_model_dataset( dense_input, sparse_input_ids, label, embedding_size, sparse_feature_dim) exe = fluid.Executor(fluid.CPUPlace()) def train_loop(epoch=20): for i in range(epoch): exe.train_from_dataset(program=fluid.default_main_program(), dataset=dataset, fetch_list=[auc_var], fetch_info=["auc"], debug=False) # local training def local_train(optimizer): optimizer = fluid.optimizer.SGD(learning_rate=1e-4) optimizer.minimize(loss) exe.run(fluid.default_startup_program()) train_loop() # distributed training def dist_train(optimizer): role = role_maker.PaddleCloudRoleMaker() fleet.init(role) strategy = DistributeTranspilerConfig() strategy.sync_mode = False optimizer = fluid.optimizer.SGD(learning_rate=1e-4) optimizer = fleet.distributed_optimizer(optimizer, strategy) optimizer.minimize(loss) if fleet.is_server(): fleet.init_server() fleet.run_server() elif fleet.is_worker(): fleet.init_worker() exe.run(fluid.default_startup_program()) train_loop() if is_local: local_train(optimizer) else: dist_train(optimizer) if __name__ == '__main__': main_function(args.is_local) - 说明：示例中使用的IO方法是dataset，想了解具体的文档和用法请参考\ `Dataset API `__\ 。示例中使用的\ ``train_from_dataset``\ 接口，想了解具体的文档和使用方法请参考\ `Executor API `__\ 。示例中的\ ``from paddle.fluid.incubate.fleet.parameter_server.distribute_transpiler import fleet``\ 表示引入参数服务器架构进行分布式训练，如果想更进一步了解Fleet API的更多选项，请参考\ `Fleet API `__ 单机训练启动命令 ^^^^^^^^^^^^^^^^ .. code:: python python train.py --is_local 1 单机模拟分布式训练的启动命令 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 在单机模拟多机训练的启动命令，这里我们用到了paddle内置的一个启动器launch\_ps，用户可以指定worker和server的数量进行参数服务器任务的启动 .. code:: python python -m paddle.distributed.launch_ps --worker_num 2 --server_num 2 train.py 任务运行的日志在工作目录的logs目录下可以查看，当您能够使用单机模拟分布式训练，可以进行真正的多机分布式训练。我们建议用户直接参\ `百度云运行分布式任务的示例 `__ 准备工作 -------- 在本篇文章中，我们将会在介绍如何快速在一个集群中启动一个 PaddlePaddle 的分布式训练任务，在开始之前，请按如下步骤做些准备工作： 1. 准备一个网络连通的训练集群，在本文中我们使用4个训练节点使用 ``*.paddlepaddle.com`` 来表示节点的主机名称，您可以根据实际情况修改它。 2. 在开始之前确保已经阅读过 :ref:`install_steps` 并且可以在集群的所有节点上可以正常运行 PaddlePaddle。 样例代码 ------- 下面使用一个非常简单的线性回归模型作为样例来解释如何启动一个包含2个 ``PSERVER`` 节点以及 2个 ``TRAINER`` 节点的分布式训练任务，您可以将本段代码保存为 ``dist_train.py`` 运行。 .. code:: python import os import paddle import paddle.fluid as fluid # train reader BATCH_SIZE = 20 EPOCH_NUM = 30 BATCH_SIZE = 8 train_reader = paddle.batch( paddle.reader.shuffle( paddle.dataset.uci_housing.train(), buf_size=500), batch_size=BATCH_SIZE) def train(): y = fluid.layers.data(name='y', shape=[1], dtype='float32') x = fluid.layers.data(name='x', shape=[13], dtype='float32') y_predict = fluid.layers.fc(input=x, size=1, act=None) loss = fluid.layers.square_error_cost(input=y_predict, label=y) avg_loss = fluid.layers.mean(loss) opt = fluid.optimizer.SGD(learning_rate=0.001) opt.minimize(avg_loss) place = fluid.CPUPlace() feeder = fluid.DataFeeder(place=place, feed_list=[x, y]) exe = fluid.Executor(place) # fetch distributed training environment setting training_role = os.getenv("PADDLE_TRAINING_ROLE", None) port = os.getenv("PADDLE_PSERVER_PORT", "6174") pserver_ips = os.getenv("PADDLE_PSERVER_IPS", "") trainer_id = int(os.getenv("PADDLE_TRAINER_ID", "0")) eplist = [] for ip in pserver_ips.split(","): eplist.append(':'.join([ip, port])) pserver_endpoints = ",".join(eplist) trainers = int(os.getenv("PADDLE_TRAINERS")) current_endpoint = os.getenv("PADDLE_CURRENT_IP", "") + ":" + port t = fluid.DistributeTranspiler() t.transpile( trainer_id = trainer_id, pservers = pserver_endpoints, trainers = trainers) if training_role == "PSERVER": pserver_prog = t.get_pserver_program(current_endpoint) startup_prog = t.get_startup_program(current_endpoint, pserver_prog) exe.run(startup_prog) exe.run(pserver_prog) elif training_role == "TRAINER": trainer_prog = t.get_trainer_program() exe.run(fluid.default_startup_program()) for epoch in range(EPOCH_NUM): for batch_id, batch_data in enumerate(train_reader()): avg_loss_value, = exe.run(trainer_prog, feed=feeder.feed(batch_data), fetch_list=[avg_loss]) if (batch_id + 1) % 10 == 0: print("Epoch: {0}, Batch: {1}, loss: {2}".format( epoch, batch_id, avg_loss_value[0])) # destory the resource of current trainer node in pserver server node exe.close() else: raise AssertionError("PADDLE_TRAINING_ROLE should be one of [TRAINER, PSERVER]") train() 环境变量说明 ----------- 在启动分布式训练任务时，使用不同的环境变量来表示不同的节点角色，具体如下： .. list-table:: :header-rows: 1 * - 环境变量 - 数据类型 - 样例 - 描述 * - :code:`PADDLE_TRAINING_ROLE` - str - :code:`PSERVER,TRAINER` - 当前训练节点角色 * - :code:`PADDLE_PSERVER_IPS` - str - :code:`ps0.paddlepaddle.com,ps1.paddlepaddle.com` - 分布式训练任务中所有 PSERVER 节点的 IP 地址或 hostname, 使用","分隔 * - :code:`PADDLE_PSERVER_PORT` - int - 6174 - PSERVER 进程监听的端口 * - :code:`PADDLE_TRAINERS` - int - 2 - 分布式训练任务中 trainer 节点的数量 * - :code:`PADDLE_CURRENT_IP` - str - :code:`ps0.paddlepaddle.com` - 当前 PSERVER 节点的 IP 地址或 hostname * - :code:`PADDLE_TRAINER_ID` - str - 0 - 当前 TRAINER 节点的 ID (唯一)， 取值范围为 [0, PADDLE_TRAINERS) 注： 环境变量只是获取运行时信息的一种方式，实际任务中可以采用命令行参数等方式获取运行时信息。 分布式训练相关 API ------------------ DistributeTranspiler ~~~~~~~~~~~~~~~~~~~~~~ 基于 pserver-trainer 架构的的分布式训练任务分为两种角色： Parameter Server(PSERVER) 以及 TRAINER, 在 Fluid 中，用户只需配置单机训练所需要的网络配置, ``DistributeTranspiler`` 模块会自动地根据 当前训练节点的角色将用户配置的单机网路配置改写成 PSERVER 和 TRAINER 需要运行的网络配置: .. code:: python t = fluid.DistributeTranspiler() t.transpile( trainer_id = trainer_id, pservers = pserver_endpoints, trainers = trainers) if PADDLE_TRAINING_ROLE == "TRAINER": # fetch the trainer program and execute it trainer_prog = t.get_trainer_program() ... elif PADDLE_TRAINER_ROLE == "PSERVER": # fetch the pserver program and execute it pserver_prog = t.get_pserver_program(current_endpoint) ... exe.close() ~~~~~~~~~~~~~~ PSERVER 节点中会保存所有 TRAINER 节点的状态信息，在 TRAINER 结束训练时需要调用 ``exe.close()`` 通知所有 PSERVER 节点释放当前 TRAINER 节点的资源: .. code:: python exe = fluid.Executor(fluid.CPUPlace()) # training process ... exe.close() # notify PServer to destory the resource 注意：所有的trainer在退出时都需要调用exe.close()。 启动分布式训练任务 -------------------- .. list-table:: :header-rows: 1 * - 启动节点 - 启动命令 - 说明 * - ps0.paddlepaddle.com - :code:`PADDLE_TRAINING_ROLE=PSERVER PADDLE_CURRENT_IP=ps0.paddlepaddle.com PADDLE_PSERVER_IPS=ps0.paddlepaddle.com,ps1.paddlepaddle.com PADDLE_TRAINERS=2 PADDLE_PSERVER_PORT=6174 python fluid_dist.py` - 启动 PSERVER 节点 * - ps1.paddlepaddle.com - :code:`PADDLE_TRAINING_ROLE=PSERVER PADDLE_CURRENT_IP=ps1.paddlepaddle.com PADDLE_PSERVER_IPS=ps0.paddlepaddle.com,ps1.paddlepaddle.com PADDLE_TRAINERS=2 PADDLE_PSERVER_PORT=6174 python fluid_dist.py` - 启动 PSERVER 节点 * - trainer0.paddlepaddle.com - :code:`PADDLE_TRAINING_ROLE=TRAINER PADDLE_PSERVER_IPS=ps0.paddlepaddle.com,ps1.paddlepaddle.com PADDLE_TRAINERS=2 PADDLE_TRAINER_ID=0 PADDLE_PSERVER_PORT=6174 python fluid_dist.py` - 启动第0号 TRAINER 节点 * - trainer1.paddlepaddle.com - :code:`PADDLE_TRAINING_ROLE=TRAINER PADDLE_PSERVER_IPS=ps0.paddlepaddle.com,ps1.paddlepaddle.com PADDLE_TRAINERS=2 PADDLE_TRAINER_ID=1 PADDLE_PSERVER_PORT=6174 python fluid_dist.py` - 启动第1号 TRAINER 节点