转载于：https://mp.weixin.qq.com/s/WNRz8D9FOlZqTdcjm1usjw
PyTorch Lightning :https://github.com/williamFalcon/pytorch-lightning/projects
用户文档：https://williamfalcon.github.io/pytorch-lightning/
1. 介绍
- Lightning是基于Pytorch的一个光包装器，它可以帮助研究人员自动训练模型，但关键的模型部件还是由研究人员完全控制。
- 参照此篇教程，获得更有力的范例（https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/single_gpu_node_template.py?source=post_page---------------------------）
- Lightning采用最新、最尖端的方法，将犯错的可能性降到最低。
2. DataLoader
- 这可能是最容易提速的地方。靠保存h5py或numpy文件来加速数据加载的日子已经一去不复返了。用 Pytorch dataloader加载图像数据非常简单。
- 在Lightning中，你无需指定一个训练循环，只需定义dataLoaders，训练器便会在需要时调用它们。
- https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/lightning_module_template.py?source=post_page---------------------------#L163-L217
3. DataLoaders中的进程数
- 加快速度的第二个秘诀在于允许批量并行加载。所以，你可以一次加载许多批量，而不是一次加载一个。
# slowloader = DataLoader(dataset, batch_size=32, shuffle=True)
2# fast (use 10 workers)loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=10)
4.批尺寸
- 在开始下一步优化步骤之前，将批量大小调高到CPU内存或GPU内存允许的最大值。接下来的部分将着重于减少内存占用，这样就可以继续增加批尺寸。记住，你很可能需要再次更新学习率。如果将批尺寸增加一倍，最好将学习速度也提高一倍。
5.累积梯度
- 假如已经最大限度地使用了计算资源，而批尺寸仍然太低(假设为8)，那我们则需为梯度下降模拟更大的批尺寸，以供精准估计。
- 假设想让批尺寸达到128。然后，在执行单个优化器步骤前，将执行16次前向和后向传播（批量大小为8）。
# clear last stepoptimizer.zero_grad()
2
3# 16 accumulated gradient stepsscaled_loss = 0for accumulated_step_i in range(16): out = model.forward() loss = some_loss(out,y) loss.backward()
4
5 scaled_loss += loss.item()
6
7# update weights after 8 steps. effective batch = 8*16optimizer.step()
8
9# loss is now scaled up by the number of accumulated batchesactual_loss = scaled_loss / 16
- 而在Lightning中，这些已经自动执行了。只需设置标记：
trainer = Trainer(accumulate_grad_batches=16)
trainer.fit(model)
6. 保留计算图
- 撑爆内存很简单，只要不释放指向计算图形的指针，比如……为记录日志保存loss。
losses = []
...losses.append(loss)
print(f current loss: {torch.mean(losses) })
- 上述的问题在于，loss仍然有一个图形副本。在这种情况中，可用.item()来释放它。
# badlosses.append(loss)
# goodlosses.append(loss.item())
- Lightning会特别注意，让其无法保留图形副本
7.转至单GPU
- 一旦完成了前面的步骤，就可以进入GPU训练了。GPU的训练将对许多GPU核心上的数学计算进行并行处理。能加速多少取决于使用的GPU类型。个人使用的话，推荐使用2080Ti，公司使用的话可用V100。
- 刚开始你可能会觉得压力很大，但其实只需做两件事: 1)将你的模型移动到GPU上；2)在用其运行数据时，把数据导至GPU中。
# put model on GPUmodel.cuda(0)
# put data on gpu (cuda on a variable returns a cuda copy) x = x.cuda(0)
# runs on GPU nowmodel(x)
- 如果使用Lightning，则不需要对代码做任何操作。只需设置标记
ask lightning to use gpu 0 for trainingtrainer = Trainer(gpus=[0])trainer.fit(model)
- 在GPU进行训练时，要注意限制CPU和GPU之间的传输量。
# expensivex = x.cuda(0)
# very expensivex = x.cpu()x = x.cuda(0)
- 例如，如果耗尽了内存，不要为了省内存，将数据移回CPU。尝试用其他方式优化代码，或者在用这种方法之前先跨GPUs分配代码。此外还要注意进行强制GPUs同步的操作。例如清除内存缓存。
# really bad idea.Stops all the GPUs until they all catch up
torch.cuda.empty_cache()
- 但是如果使用Lightning，那么只有在定义Lightning模块时可能会出现这种问题。Lightning特别注意避免此类错误。
8. 16位混合精度训练
- 16位精度可以有效地削减一半的内存占用。大多数模型都是用32位精度数进行训练的。然而最近的研究发现，使用16位精度，模型也可以很好地工作。混合精度指的是，用16位训练一些特定的模型，而权值类的用32位训练。
- 要想在Pytorch中用16位精度,先从NVIDIA中安装 apex 图书馆并对你的模型进行这些更改。
# enable 16-bit on the model and the optimize rmodel,
optimizers = amp.initialize(model, optimizers, opt_level= O2 )
# when doing .backward, let amp do it so it can scale the loss
with amp.scale_loss(loss, optimizer) as scaled_loss:
scaled_loss.backward()
- amp包会处理大部分事情。如果梯度爆炸或趋于零，它甚至会扩大loss。
- 在Lightning中， 使用16位很简单（https://williamfalcon.github.io/pytorch-lightning/Trainer/Distributed%20training/?source=post_page---------------------------#16-bit-mixed-precision），不需对你的模型做任何修改，也不用完成上述操作。
trainer = Trainer(amp_level=’O2 , use_amp=False)trainer.fit(model)
9.移至多GPU
-
分批量训练
第一种方法叫做分批量训练。这一策略将模型复制到每个GPU上，而每个GPU会分到该批量的一部分。
# copy model on each GPU and give a fourth of the batch to each
model = DataParallel(model, devices=[0, 1, 2 ,3])
# out has 4 outputs (one for each gpu)
out = model(x.cuda(0))
- 在Lightning中，可以直接指示训练器增加GPU数量，而无需完成上述任何操作。
# ask lightning to use 4 GPUs for training
trainer = Trainer(gpus=[0, 1, 2, 3])trainer.fit(model)
-
分模型训练
将模型的不同部分分配给不同的GPU，按顺序分配批量。有时模型可能太大，内存不足以支撑。比如，带有编码器和解码器的Sequence to Sequence模型在生成输出时可能会占用20gb的内存。在这种情况下，我们希望把编码器和解码器放在单独的GPU上。
# each model is sooo big we can t fit both in memory
encoder_rnn.cuda(0)
decoder_rnn.cuda(1)
# run input through encoder on GPU 0
out = encoder_rnn(x.cuda(0))
# run output through decoder on the next GPU
out = decoder_rnn(x.cuda(1))
# normally we want to bring all outputs back to GPU 0
out = out.cuda(0)
- 对于这种类型的训练，无需将Lightning训练器分到任何GPU上。与之相反，只要把自己的模块导入正确的GPU的Lightning模块中：
class MyModule(LightningModule):
def __init__():
self.encoder = RNN(...)
self.decoder = RNN(...)
def forward(x):
# models won t be moved after the first forward because
# they are already on the correct GPUs
self.encoder.cuda(0)
self.decoder.cuda(1)
out = self.encoder(x)
out = self.decoder(out.cuda(1))
# don t pass GPUs to trainer
model = MyModule()
trainer = Trainer()
trainer.fit(model)
-
混合两种训练方法
在上面的例子中，编码器和解码器仍然可以从并行化每个操作中获益。我们现在可以更具创造力了。
# change these lines
self.encoder = RNN(...)
self.decoder = RNN(...)
# to these# now each RNN is based on a different gpu set
self.encoder = DataParallel(self.encoder, devices=[0, 1, 2, 3])
self.decoder = DataParallel(self.encoder, devices=[4, 5, 6, 7])
# in forward...
out = self.encoder(x.cuda(0))
# notice inputs on first gpu in devices
out = self.decoder(out.cuda(4)) # <--- the 4 here
-
使用多GPUs时需注意的事项
如果该设备上已存在model.cuda()，那么它不会完成任何操作。
始终输入到设备列表中的第一个设备上。
跨设备传输数据非常昂贵，不到万不得已不要这样做。
优化器和梯度将存储在GPU 0上。因此，GPU 0使用的内存很可能比其他处理器大得多。
10.转至多GPU阶段（8+GPUs）
- 每台机器上的各GPU都可获取一份模型的副本。每台机器分得一部分数据，并仅针对该部分数据进行训练。各机器彼此同步梯度。
- 做到了这一步，就可以在几分钟内训练Imagenet数据集了! 这没有想象中那么难，但需要更多有关计算集群的知识。这些指令假定你正在集群上使用SLURM。
- Pytorch在各个GPU上跨节点复制模型并同步梯度，从而实现多节点训练。因此，每个模型都是在各GPU上独立初始化的，本质上是在数据的一个分区上独立训练的，只是它们都接收来自所有模型的梯度更新。
-
高级阶段：
在各GPU上初始化一个模型的副本(确保设置好种子，使每个模型初始化到相同的权值，否则操作会失效)。
将数据集分成子集。每个GPU只在自己的子集上训练。
On .backward() 所有副本都会接收各模型梯度的副本。只有此时，模型之间才会相互通信。 - Pytorch有一个很好的抽象概念，叫做分布式数据并行处理，它可以为你完成这一操作。要使用DDP（分布式数据并行处理），需要做4件事：
def tng_dataloader():
d = MNIST()
# 4: Add distributed sampler
# sampler sends a portion of tng data to each machine
dist_sampler = DistributedSampler(dataset)
dataloader = DataLoader(d, shuffle=False, sampler=dist_sampler)
def main_process_entrypoint(gpu_nb):
# 2: set up connections between all gpus across all machines
# all gpus connect to a single GPU "root"
# the default uses env://
world = nb_gpus * nb_nodes
dist.init_process_group("nccl", rank=gpu_nb, world_size=world)
# 3: wrap model in DPP
torch.cuda.set_device(gpu_nb)
model.cuda(gpu_nb)
model = DistributedDataParallel(model, device_ids=[gpu_nb])
# train your model now...
if __name__ == __main__ :
# 1: spawn number of processes
# your cluster will call main for each machine
mp.spawn(main_process_entrypoint, nprocs=8)
- Pytorch团队对此有一份详细的实用教程（https://github.com/pytorch/examples/blob/master/imagenet/main.py?source=post_page---------------------------）
- 然而，在Lightning中，这是一个自带功能。只需设定节点数标志，其余的交给Lightning处理就好。
trainer = Trainer(nb_gpu_nodes=128, gpus=[0, 1, 2, 3, 4, 5, 6, 7])
- Lightning还附带了一个SlurmCluster管理器，可助你简单地提交SLURM任务的正确细节。
10.更快的多GPU单节点训练
- 事实证明，分布式数据并行处理要比数据并行快得多，因为其唯一的通信是梯度同步。因此，最好用分布式数据并行处理替换数据并行，即使只是在做单机训练。
- 在Lightning中，通过将distributed_backend设置为ddp（分布式数据并行处理）并设置GPU的数量，这可以很容易实现。
# train on 4 gpus on the same machine MUCH faster than DataParallel
trainer = Trainer(distributed_backend= ddp , gpus=[0, 1, 2, 3])
网友评论