diff --git a/tutorials/tipc/train_fleet_infer_python/images/data_parallel.png b/tutorials/tipc/train_fleet_infer_python/images/data_parallel.png new file mode 100644 index 0000000000000000000000000000000000000000..3bbf67714e53458c9bd70bd75e9391b7f91f126c Binary files /dev/null and b/tutorials/tipc/train_fleet_infer_python/images/data_parallel.png differ diff --git a/tutorials/tipc/train_fleet_infer_python/test_train_fleet_infer_python.md b/tutorials/tipc/train_fleet_infer_python/test_train_fleet_infer_python.md index 8cd83ad20f56e19b40cc7e4bf960525c4ebd5457..0f4ab3160dd110210cf16705bc63781a35b6e676 100644 --- a/tutorials/tipc/train_fleet_infer_python/test_train_fleet_infer_python.md +++ b/tutorials/tipc/train_fleet_infer_python/test_train_fleet_infer_python.md @@ -1,5 +1,7 @@ # Linux GPU 多机多卡训练推理测试开发文档 +# + # 目录 - [1. 简介](#1) @@ -7,67 +9,135 @@ - [2. 多机多卡训练功能开发](#2) - [3. 多机多卡推理功能开发](#3) - - -- [1. 简介](#1) - +- [4. FAQ](#4) + +## [1. 简介](#1) + 近十年来，深度学习技术不断刷新视觉、自然语言处理、语音、搜索和推荐等领域任务的记录。这其中的原因，用一个关键词描述就是“大规模”。大规模的数据使得模型有足够的知识可以记忆，大规模参数量的模型使得模型本身有能力记忆更多的数据，大规模高性能的算力（以GPU为典型代表）使得模型的训练速度有百倍甚至千倍的提升。大规模的数据、模型和算力作为深度学习技术的基石，在推动深度学习技术发展的同时，也给深度学习训练带来了新的挑战：大规模数据和大规模模型的发展使得深度学习模型的能力不断增强，要求我们更加合理地利用大规模集群算力进行高效地训练，这是分布式训练面临的主要挑战。 - + 飞桨分布式从产业实践出发，提供包括数据并行、模型并行和流水线并行等在内的完备的并行能力，提供简单易用地分布式训练接口和丰富的底层通信原语，赋能用户业务发展。 - + 本文，我们以最常用的数据并行为例，介绍LInux GPU多机多卡从训练到推理的使用。 -- [2. 多机多卡训练功能开发](#2---) - +## [2. 多机多卡训练功能开发](#2) + 数据并行(data parallelism)主要逻辑遵循[Single Program Multiple Data](https://en.wikipedia.org/wiki/SPMD)的原则，即在数据并行的模型训练中，训练任务被切分到多个进程(设备)上,每个进程维护相同的模型参数和相同的计算任务，但是处理不同的数据(batch data)。通过这种方式，同一全局数据(global batch)下的数据和计算被切分到了不同的进程，从而减轻了单个设备上的计算和存储压力。 - + 在深度学习模型训练中，数据并行可作为通过增加并行训练设备来提高训练吞吐量(global batch size per second) 的方法。以常见的ResNet50 模型使用32GB V100卡训练为例。假设训练时单卡最大能支持的local batch size为256，训练一个step的耗时为1秒。则单卡训练时的吞吐为256 imgs/s。如果我们使用32 张V100 做数据并行训练，假设没有损耗，那么理论上的训练吞吐可达到 32 x 256 = 8192 imgs/。实际上由于数据并行时多机多卡的通信消耗等，实际加速效率会有折扣，但在加速效率为0.8时，训练吞吐也可达到32 x 256 x 0.8 = 6554 imgs/s。如果使用更多的GPU，并行训练的速度将会更高，大大减少训练需要的时间。 - - 与单机单卡的普通模型训练相比，使用飞桨分布式训练的代码都只需要补充三个部分代码： - - 1. 导入分布式训练需要的依赖包。 - - 2. 初始化分布式环境。 - - 3. 使用DataParallel封装用户组网。 - + + + + 如上图所示，与单机单卡的普通模型训练相比，使用飞桨分布式训练的代码都只需要补充三个部分代码： + +1. 导入分布式训练需要的依赖包 + +2. 初始化分布式环境 + +3. 使用DataParallel封装用户组网 + 下面将逐一进行讲解。 - - - 2.1 导入依赖 - - 导入必要的依赖，例如分布式训练专用的Fleet API(paddle.distributed.fleet)。 - - ```python - from paddle.distributed import fleet - ``` - - - 2.2 初始化分布式环境 - - 包括定义缺省的分布式策略，然后通过将参数is_collective设置为True。 - - ```python - strategy = fleet.DistributedStrategy() - fleet.init(is_collective=True, strategy=strategy) - ``` - - - 2.3 使用DataParallel封装用户组网 - - - - ```python - model = paddle.DataParallel(model) - ``` - -- [3. 多机多卡推理功能开发](#3---) - - 由于数据并行训练各个卡上包含完整的模型副本，因此只需要保存某张卡上的模型用于推理即可。通常，可以选择保存第一张卡上的模型用于推理。 + +- 2.1 导入依赖 ```python - if fleet.worker_index() == 0: - # save inference model + from paddle.distributed as dist ``` + +- 2.2 初始化分布式环境 + ```python + dist.init_parallel_env() + ``` + +- 2.3 使用DataParallel封装用户组网 + ```python + model = paddle.DataParallel(model) + ``` -- [4. FAQ](#4) +假设用户训练脚本文件名为train.py，下面我们说明如何启动分布式训练任务。 + +1. 启动单机多卡任务 + + 当使用单机多卡时，可以通过如下的命令启动分布式训练任务： + + ```shell + python -m paddle.distributed.launch --gpus="0,1" train.py + ``` + + 其中，``--gpus``选项指定用户分布式训练使用的GPU卡。 + +2. 启动多机多卡任务 + + 我们以2台机器为例，说明如何启动多机多卡分布式训练任务。假设两台机器的ip地址分别为192.168.0.1和192.168.0.2。 + + 首先，我们需要确保两台机器间的网络是互通的，可以通过``ping``命令验证机器间网络的互通性，如下所示： + + ```shell + # 在ip地址为192.168.0.1的机器上 + ping 192.168.0.2 + ``` + + 接着，我们分别在两台机器上启动分布式任务： + + ```shell + # 在ip地址为192.168.0.1的机器上 + python -m paddle.distributed.launch --ips="192.168.0.1,192.168.0.2" --gpus="0,1" train.py + ``` + + ```shell + # 在ip地址为192.168.0.2的机器上 + python -m paddle.distributed.launch --ips="192.168.0.1,192.168.0.2" --gpus="0,1" train.py + ``` + + 启动上述命令后，将在控制台上输出类似如下所示的信息： + + ```shell + WARNING 2021-01-04 17:59:08,725 launch.py:314] Not found distinct arguments and compiled with cuda. Default use collective mode + launch train in GPU mode + INFO 2021-01-04 17:59:08,727 launch_utils.py:472] Local start 2 processes. First process distributed environment info (Only For Debug): + +=======================================================================================+ + | Distributed Envs Value | + +---------------------------------------------------------------------------------------+ + | PADDLE_CURRENT_ENDPOINT 127.0.0.1:17901 | + | PADDLE_TRAINERS_NUM 2 | + | PADDLE_TRAINER_ENDPOINTS 127.0.0.1:17901,127.0.0.1:18846 | + | FLAGS_selected_gpus 0 | + | PADDLE_TRAINER_ID 0 | + +=======================================================================================+ + + ... + W0104 17:59:19.018365 43338 device_context.cc:342] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.2, Runtime API Version: 9.2 + W0104 17:59:19.022523 43338 device_context.cc:352] device: 0, cuDNN Version: 7.4. + W0104 17:59:23.193490 43338 fuse_all_reduce_op_pass.cc:78] Find all_reduce operators: 161. To make the speed faster, some all_reduce ops are fused during training, after fusion, the number of all_reduce ops is 5. + + + ``` + +当使用paddle.distributed.launch模块启动分布式任务时，所有日志将保存在./log目录下，日志文件名为workerlog.xx，其中xx为整数；每个卡训练进程对应一个日志文件。 + +## 3. [多机多卡推理功能开发](#3) + +由于数据并行训练各个卡上包含完整的模型副本，因此只需要保存某张卡上的模型用于推理即可。通常，可以选择保存第一张卡上的模型用于推理。 + +```python +if fleet.worker_index() == 0: + # save inference model +``` + +更多关于推理的信息，请参考[Linux GPU/CPU 模型推理开发文档](../train_infer_python/infer_python.md) + +## 4. [FAQ](#4) + +- 问：当程序报错时，如何排查错误？ + +- 答：首先查看日志，是否可以可以定位错误的信息，如显存不够OOM等。 + +- 问：如果程序hang，如何排查出错原因？ + +- 答：一般引起程序hang的问题，都是通信问题。比如，两个进程同步不一致：一个进程等待同步A数据，而另一个进程却在等待同步B数据，从而导致程序hang。一般排查步骤是定位进程hang的位置，然后具体分析导致hang的原因。可以通过设置如下环境变量查看程序hang时执行的算子：`export GLOG_v=3; export FLAGS_benchmark=1`。 + +- 问：程序中报错，显示NCCL相关错误，怎么排查原因？ + +- 答：可以通过设置如下环境变量查看程序错误信息：`export NCCL_DEBUG=INFO`。并重点关注NCCL WARN相关信息。