[源码解析] 深度学习流水线并行 PipeDream(6)--- 1F1B策略
在前文中，我们介绍了PipeDream的总体架构，Profile阶段，计算分区阶段，模型转换阶段，运行时引擎和通信模块，本文是 PipeDream 系列最后一篇，介绍 1F1B 策略，这是 PipeDream 最大的贡献。
[源码解析] 深度学习流水线并行 PipeDream(6)— 1F1B策略
目录
0x00 摘要
在前文中，我们介绍了PipeDream的总体架构，Profile阶段，计算分区阶段，模型转换阶段，运行时引擎和通信模块，本文是 PipeDream 系列最后一篇，介绍 1F1B 策略，这是 PipeDream 最大的贡献。
流水线并行其他文章链接如下:
[源码解析] 深度学习流水线并行Gpipe(1)—流水线基本实现
[源码解析] 深度学习流水线并行GPipe (2) —– 梯度累积
[源码解析] 深度学习流水线并行 GPipe(3) —-重计算
[源码解析] 深度学习流水线并行之PipeDream(1)— Profile阶段
[源码解析] 深度学习流水线并行 PipeDream(2)— 计算分区
[源码解析] 深度学习流水线并行 PipeDream(3)— 转换模型
[源码解析] 深度学习流水线并行 PipeDream(4)— 运行时引擎
[源码解析] 深度学习流水线并行 PipeDream(5)— 通信模块
0x01 流水线比较
首先，我们比较一下目前分析过的各个流水线。
1.1 普通流水线
DNN模型组成的基本单位是层。PipeDream将DNN的这些层划分为多个阶段——每个阶段（stage）由模型中的一组连续层组成。PipeDream把模型的不同的阶段部署在不同的机器上，每个阶段可能有不同的replication。该阶段对本阶段中所有层执行向前和向后传递。PipeDream将包含输入层的阶段称为输入阶段，将包含输出层的阶段称为输出阶段。
在最简单的情况下，和传统的模型并行训练中一样，系统中只有一个minibatch是活动的。上图就显示了一个计算时间线，该示例有四台机器和一个管道，可以认为是一个最普通的流水线。
- 在正向阶段，每个阶段对本阶段中的层的minibatch执行正向传递，并将结果发送到下一阶段。输出级在完成前向传递后，计算minibatch的损失。
- 在后向阶段，每个阶段形成后向通道，逐一将损失传播到前一阶段。
1.2 Gpipe流水线
因为PipeDream是基于Gpipe进行改进，所以我们也要基于 Gpipe 看看其问题所在。
Gpipe 的流水线并行训练图如下：
- 将被训练的这些层划分为多个阶段，每个阶段包含模型之中一组连续的层。
- 把输入数据minibatch进行分片，分成 m 个microbatches，像 allreduce 一样，计算完一些就传给下个节点，最后同步更新参数。
- GPipe使用现有的技术，如梯度累积来优化内存效率，通过丢弃前向传播和后向传播之间的activation存储来交换内存，在后向传递需要activation时再重新计算它们。
Gpipe的流水线有几个问题：
- 过多流水线刷新导致空闲时间的增加。
- 如果m很小，Gpipe可能会由于重新计算开销和频繁的管道刷新而降低硬件效率，所以 m 一般都设置的较大。
- 于是需要缓存 m 份 activation导致内存增加。原因是每个microbatch前向计算的中间结果activation都要被其后向计算所使用，所以需要在内存中缓存。
1.3 1F1B流水线
PipeDream 的 1F1B（One Forward pass followed by One Backward pass）策略就可以解决缓存 activation 的份数问题，使得 activation 的缓存数量只跟阶段（stage）数相关，从而进一步节省显存。
Pipeline的并行方式是把模型的不同层放到不同机器（节点）上，顺序地进行前向计算和反向计算。
PipeDream的目标是：以最小化总体训练时间的方式将流水线并行，模型并行性和数据并行性结合起来。然而，要使这种方法对大型DNN模型有效，获得流水线并行化训练的潜在收益，PipeDream 必须克服三个主要挑战：
- 如何跨可用计算资源自动划分工作（模型的层）。
- 在确保训练任务向前推进的同时，如何调度计算以最大化吞吐量。
- 面对流水线带来的异步性，如何确保训练有效。
其中 1F1B 就对应了后面两个挑战。
1.3.1 思路
我们剖析下1F1B策略的思路。
终极目的是：减少activation 的缓存数量，降低显存占用，从而可以训练更大的模型。
目前困境是：即便使用了Checkpointing 技术，前向计算的 activation 也需要等到对应的后向计算完成之后才能释放。
解决思路是：努力减少每个 activation 的保存时间，即这就需要每个 micro-batch 数据尽可能早的完成后向计算让，从而让每个 activation 尽可能早释放。
注意：PipeDream中，最后使用的是minibatch这个单词，所以我们可以认为PipeDream的minibatch就是 Gpipe的 micro-batch，从这里开始，都使用 minibatch。
解决方案是：
- 让最后一个 stage（下图中的 Machine 4） 在做完一次 minibatch 的前向传播之后，就立即做本minibatch 的后向传播，那么就可以让其他 stage 尽可能早的开始后向传播计算，这就是 1F1B 策略。有点类似于把整体同步变成了众多小数据块上的异步，而且众多小数据块都是大家独立更新。
- 在 1F1B 的稳定状态下，会在每台机器上严格交替的进行前向计算/后向计算，这样使得每个GPU上都会有一个minibatch数据正在处理，从而保证资源的高利用率（整个pipeline比较均衡，可忽略的流水线暂停，没有流水线 flush，能确保以固定周期执行每个阶段上的参数更新）
- 面对流水线带来的异步性，1F1B 使用不同版本的权重来确保训练的有效性。
- PipeDream 又扩展了 1F1B，对于使用数据并行的stage，采用 round-robin的调度模式将任务分配在同一个stage的各个设备上，保证了一个batch的数据的前向传播计算和后向传播计算发生在同一台机器上，这就是 1F1B-RR（one-forward-noe-backward-round-robin）。
实际上，1F1B策略就是把一个batch的同步变为了众多小数据（minibatch）上的异步，计算完一个minibatch就立刻反向，一个minibatch的反向结束之后就更新对应worker的梯度。所有worker一起跑起来。可以理解为从 BSP 执行变成了 ASP 执行。
1.3.2 图示
下图是实施了 1F1B 的流水线。
- 把一个 batch 分成多个mini batches，比如把一个 batch 分成 1，2，3，4 这4个mini batches。
- 把多个 mini batches 逐一插入到流水线。
- Machine 1 先计算 蓝色 1 的前向传播，然后把蓝色 1 发送给 Machine 2 继续计算。
- Machine 2 接着计算 蓝色 2 的前向传播，然后把蓝色 1 发给 Machine 2 继续计算。
- 当蓝色 1 由上至下遍历了 Machine 1 ~ 4，则完成了全部前向传播，于是开始进行反向传播，对应了第一个绿色 1，然后逆向传递到 Machine 3 ~ 1。
- 当数据 1 完成了全部反向传播，即绿色 1 来到了 Machine 1。
- 每个机器在完成自己 mini batch 的反向传播之后，会在本地进行梯度更新。
- Machine 和 Machine 之间只传送模型的一个子集，这样计算和通讯可以并行。
需要注意，下图给出了初始阶段和稳定阶段，我们后续讲解中会提到这两个阶段。
0x02 PipeDream 实现
首先给出一个包含4个GPU的示例图，图内也给出了其中一个GPU（Mach. 3）的时间流示例。这里计算和梯度/激活通讯是有部分重叠的。
2.1 总体逻辑
我们以一次训练为例，结合下图来说明。
需要介绍一个名词 NOAM，活动小批次数目。
NUM_OPT_ACTIVE_MINIBATCHES (NOAM) = ⌈ (# machines) / (# machines in the input stage) ⌉
其意义是：基于我们的算法生成的分区，为了在稳定状态下保持流水线满负荷，每个输入级副本所允许的最小批处理数。
上图显示了管道的相应计算时间线，每个流水线有4个阶段在不同机器上运行，所以此配置的NOAM为 4。
我们具体再分析下运行步骤。
- 在训练开始的启动阶段（图上的Startup State），输入的stage的先读入足够多minibatch的数据（就是NOAM个），以保证pipeline在稳定阶段时，各个设备上都有相应的工作在处理。对于上图，就是输入阶段发送四个小批次传播到输出阶段。
- 一旦输出阶段完成第一个小批次的前向传播（就是Machine 4 第一个蓝色1），它就对同一个小批次执行后向传播（就是Machine 4 的第一个绿色 1）。
- 然后开始交替执行后续小批次的前向传播和后向传播（就是 Machine 4 的 2前，2后，3前，3后…..）。
- 当反向传播过程开始传播到管道中的早期阶段时（就是Work 3 ~ Work 1），每个阶段开始在不同小批次的正向和反向过程之间交替进行。
- 在稳定状态下，每台机器都忙着对一个小批次进行正向传播或反向传播。
2.2 权重问题
Pipeline的训练模式会引入两种参数不一致性，因为实际是ASP计算，没有协调会越干越乱：
- 在一个原生的PipeDream流水线中，每个阶段的前向传播都是使用某一个版本的参数来执行，而其后向传播则是使用不同版本的参数来执行的，即同一个minibatch的前向传播和后向传播使用的参数不一致。例如上图所示：
- 当 minibatch 5 进入到 worker 1 时，它的前向传播逻辑在 minibatch 1 的后向传播计算之后执行，即它前向传播计算时候使用的参数是 minibatch 1 后向传播计算之后更新的参数。
- 但是 minibatch 5 后向传播逻辑是在 “minibatch 2, minibatch 3, minibatch 4″ 执行完后才开始计算，即此时使用的参数是”minibatch 1, minibatch 2, minibatch 3, minibatch 4” 后向传播计算之后更新的参数。
- 这就导致 minibatch 5 的前向计算和后向计算时候，使用的参数不一致。即，第一行 Machine 1，蓝色 5 号 和 绿色 5 号 计算时候，必须都使用 绿色 1 号之后更新的参数。
-
同一个minibatch在不同stage做同样操作（同样做前向操作，或者同样做后向传播）使用的参数版本不一致。同样如上图所示：
- 对于 minibatch 5 在 worker 1 上的前向计算部分（蓝色5），他的前向逻辑在 minibatch 1 的后向计算以后执行。
- 但是 minibatch 5 在 worker 2 上的前向计算部分（蓝色5），是在 “minibatch 1, minibatch 2” 的后向计算结束后才执行。
- 这就导致了 minibatch 5 在两个stage上前向计算使用的参数版本不一致。
为解决这两个问题，PipeDream 分别采用了 weight stashing 和 Vertical Sync 两种技术
- Weight stashing : 为权重维护多个版本，每个active minibatch都有一个版本。每个stage 都用最新版本的权重进行前向计算，处理输入的minibatch。计算前向传播之后，会将这份参数保存下来用于同一个minibatch的后向计算。Weight stashing确保在一个阶段内，相同版本的模型参数被用于给定小批量的向前和向后传播，但是不能保证跨阶段间，一个给定的小批次使用模型参数的一致性。
- Vertical Sync : 每个minibatch进入pipeline时都使用输入stage最新版本的参数，并且参数的版本号会伴随该minibatch数据整个生命周期，在各个阶段都是用同一个版本的参数（而不是Weight stashing那样都使用最新版本的参数），从而实现了stage间的参数一致性。
2.3 Weight Stashing
我们以下图为例：
Worker 1, work 2 … 各自有自己的权重， 记为 \(W_1\)，\(W_2\) …. 即，图上的 \(W_i^{(j)}\)，下标 i 表示 第 i 个 worker，上标 ( j ) 表示第 j 个minibatch。
在一个阶段（每一个 worker）中：
- 每次向后传播都会导致权重更新，下一次向前传使用最新版本的可用权重。就是说，每个 worker 的权重，在出现一个新的绿色后向传播之后会被更新。接下来的新操作应该基于这个新权重。
- 计算前向传播之后，会将这份前向传播使用的权重保存下来用于同一个 minibatch 的后向计算。
- Weight stashing确保在一个阶段内，相同版本的模型参数被用于给定小批量的向前和向后传播。
我们以上图为例：
Worker 1 第一行的蓝色 5 依赖于 它前面同一行的绿色 1。Worker 1 所在行的第一个绿色 1 结束时，代表了 minibatch 1 完成了本次流水线的 4 次前向传播，4次后向传播。所以是一个新版本的 weight 1，就是\(W_1^{(1)}\)。因此，Work 1 的两个 minibatch 5（蓝色前向和绿色后向）都应该基于新版本 \(W_1^{(1)}\) 计算。因此需要记录下来 新版本 \(W_1^{(1)}\)。
Worker 2 第二行的蓝色 5 依赖于它前面同一行的绿色 2。同理，Worker 1 的第一个绿色 2 结束时，代表了 minibatch 2 完成了本次流水线的 4 次前向传播，4次后向传播。所以是一个新版本的 weight 2。此时的 minibatch 6 的前向和图上未标出的绿色后向都应该基于 新版本的 weight 2 计算，因此需要记录下来 新版本 \(W_2^{(2)}\)。
对于 worker 3，从它的角度看，它本身的权重应该执行两次前向，两次后向（worker 4一次，然后 worker 3 第二次）。当执行 minibatch 5 的前向传播时候，\(W_3^{(3)}\)已经更新（被minibatch 3 的绿色更新），所以需要记录下来 \(W_3^{(3)}\)，为了以后 minibatch 5 的后向更新使用。
依次类推，worker 1 需要记录 \(W_1^{(1)}\), \(W_1^{(2)}\)，\(W_1^{(3)}\)，\(W_1^{(4)}\)，… 的每一个新版本。就是 worker 1 对应 minibatch 1,2,3,4 的各个权重。
2.4 Vertical Sync
目前问题是：worker 1 上 minibath 5 的前向计算用的是 1 后向传播之后的参数，但worker 2 上计算 minibath 5 是用 2 后向传播之后的参数，最后汇总的时候不就又乱了？
Vertical Sync机制是：每个进入管道的 minibatch（\(b_i\)）都与其进入流水线输入阶段时候的最新权重版本\(w^{(i-x)}\)相联系。当小批次在流水线前向传播阶段前进时候，这个版本信息随着激活值和梯度一起流动。在所有阶段中，\(b_i\) 的前向传播使用保存的\(w^{(i-x)}\)来计算，而不是Weight stashing那样都使用最新版本的参数。在使用保存的 \(w^{(i-x)}\)来计算后向传播之后，每个阶段独立应用权重更新，创建最新权重\(w^{(i)}\)，然后删除\(w^{(i-x)}\)。
用下面图来说明：
强制所有worker在计算 minibatch 5 的时候都用本worker做 minibatch 1 反向传播之后的参数，具体来说就是：
对于 worker 2，使用本阶段绿色1（1反向传播之后，更新的本阶段权重）来做 5 的前向传播。
同理，对于 worker 3，使用本阶段绿色1（1反向传播之后，更新的本阶段权重）来做 5 的前向传播。对于 worker 4，使用本阶段绿色1（1反向传播之后，更新的本阶段权重）来做 5 的前向传播。
但是，这样同步会导致很多计算浪费无用。比如5更新时用的1的权重，但2/3/4后向传播的权重都白白计算了，所以默认不使用Vertical Sync。这样虽然每层不完全一致，但是由于weight stashing的存在，所有的参数都是有效的。
2.5 缓冲区
这里对缓冲区的处理再做一下说明。
参数状态。对于每个阶段，PipeDream主要维护与GPU内存中直接分配给该阶段的层相关的所有参数。每个层的参数分别存储，每个层分配一个唯一的ID。如果没有复制该阶段，PipeDream将更新应用到存储在GPU内存中的参数数据的最新版本，当所提供的GPU缓冲区中的权重更新可用时。如果复制了stage，则将权重更新复制到主机内存，然后发送到参数服务器。当新版本的参数可用时，作为权重存储方案的一部分，不会立即丢弃以前的版本。参数数据只有在使用较新参数的向后传递被格式化后才会被丢弃。
中间状态。每个层的中间数据也被分配了一个唯一的blob ID。当从前一级（或在输入级的情况下从磁盘）接收中间数据时，PipeDream将中间数据复制到GPU内存，并在工作队列中放置一个指向相关缓冲区的指针。在关联的minibatch完成该阶段的向后传递之前，forward传递的中间数据不会被丢弃。当ML工作人员完成使用后，以及如果需要，在将其发送到下一阶段之后，来自向后传递的中间数据就被释放。由于向前和向后传递中对中间数据的要求不同，PipeDream中的stage通常管理来自向前传递的多个版本的中间数据，而只管理来自当前运行的向后传递的单个版本的中间数据。
0x03 代码
3.1 总体代码
我们用 runtime/translation/main_with_runtime.py 来分析。
下面省略部分次要代码。
使用 runtime 的总体逻辑可以如下文件为例 ：runtime/translation/main_with_runtime.py。主要逻辑是：
- 解析输入参数。
- 加载，生成模型。
- 依据模块来构建模型。
- 依据参数进行配置比如输入大小，batch size等。
- 遍历模型的每个层（跳过最后loss层）。
- 遍历每层的输入，构建输入张量。
- 通过调用stage对应的forward函数，构建出输出。
- 遍历每层的输出，设置其类型和形状 。
- 构建输出值张量类型。
- 加载配置文件。
- 构建一个 StageRuntime。
- 建立 optimizer，这里 optimizer，使用了AdamWithWeightStashing 或者 SGDWithWeightStashing，所以就是使用了 weight stashing。
- 加载 dataset。
- 进行训练，保存checkpoint。
总体代码如下：
def main():
# 解析输入参数
global args, best_prec1
args = parser.parse_args()
# Special case handling for GNMT model
l2_promote()
torch.cuda.set_device(args.local_rank)
# build tokenizer
tokenizer = Tokenizer(os.path.join(args.data_dir, config.VOCAB_FNAME))
# define loss function
criterion = build_gnmt_criterion(
vocab_size=tokenizer.vocab_size, padding_idx=config.PAD, smoothing=0.1)
# create stages of the model
# 加载，生成模型
module = importlib.import_module(args.module)
args.arch = module.arch()
# 依据模块来构建模型
model = module.model(criterion)
# 依据参数进行配置比如输入大小，batch size等
input_size = [args.max_length_train, args.batch_size]
training_tensor_shapes = {"input0": input_size, "input1": [args.batch_size],
"input2": input_size, "target": [args.max_length_train * args.batch_size],
"target_length": [args.batch_size]}
dtypes = {"input0": torch.int64, "input1": torch.int64, "input2": torch.int64,
"target": torch.int64, "target_length": torch.int32}
inputs_module_destinations = {"input0": 0, "input1": 0, "input2": 0}
target_tensor_names = {"target", "target_length"}
# 遍历模型的每个层（跳过最后loss层）
for module_id, (stage, inputs, outputs) in enumerate(model[:-1]): # Skip last layer (loss).
input_tensors = []
# 遍历每层的输入，构建输入张量
for module_input in inputs:
if module_input in inputs_module_destinations:
inputs_module_destinations[module_input] = module_id
input_tensor = torch.ones(tuple(training_tensor_shapes[module_input]),
dtype=dtypes[module_input])#.cuda()
input_tensors.append(input_tensor)
#stage.cuda()
# PyTorch should not maintain metadata for a backward pass on
# synthetic inputs. Without the following line, the runtime is
# as much as 1.5x slower in a full DP configuration.
with torch.no_grad():
# 通过调用stage对应的forward函数，构建出输出
output_tensors = stage(*tuple(input_tensors))
if not type(output_tensors) is tuple:
output_tensors = [output_tensors]
# 遍历每层的输出，设置其类型和形状
for output, output_tensor in zip(outputs,
list(output_tensors)):
# output 是 ['out2', 'out1']
training_tensor_shapes[output] = list(output_tensor.size())
dtypes[output] = output_tensor.dtype
# 构建输出值张量类型
eval_tensor_shapes = {}
for key in training_tensor_shapes:
eval_tensor_shapes[key] = tuple(
training_tensor_shapes[key])
training_tensor_shapes[key] = tuple(
training_tensor_shapes[key])
# 加载配置文件
configuration_maps = {
'module_to_stage_map': None,
'stage_to_rank_map': None,
'stage_to_depth_map': None
}
if args.config_path is not None:
json_config_file = json.load(open(args.config_path, 'r'))
configuration_maps['module_to_stage_map'] = json_config_file.get("module_to_stage_map", None)
configuration_maps['stage_to_rank_map'] = json_config_file.get("stage_to_rank_map", None)
configuration_maps['stage_to_rank_map'] = {
int(k): v for (k, v) in configuration_maps['stage_to_rank_map'].items()}
configuration_maps['stage_to_depth_map'] = json_config_file.get("stage_to_depth_map", None)
# 构建一个 StageRuntime
r = runtime.StageRuntime(
model=model, distributed_backend=args.distributed_backend,
fp16=args.fp16, loss_scale=args.loss_scale,
training_tensor_shapes=training_tensor_shapes,
eval_tensor_shapes=eval_tensor_shapes,
training_tensor_dtypes=dtypes,
inputs_module_destinations=inputs_module_destinations,
target_tensor_names=target_tensor_names,
configuration_maps=configuration_maps,
master_addr=args.master_addr,
rank=args.rank, local_rank=args.local_rank,
num_ranks_in_server=args.num_ranks_in_server,
verbose_freq=args.verbose_frequency,
model_type=runtime.TRANSLATION,
enable_recompute=args.recompute)
# stage needed to determine if current stage is the first stage
# num_stages needed to determine if current stage is the last stage
# num_ranks needed to determine number of warmup_minibatches in case of pipelining
args.stage = r.stage
args.num_stages = r.num_stages
args.num_ranks = r.num_ranks
if not is_first_stage():
args.synthetic_data = True
# define optimizer
if args.no_input_pipelining:
num_versions = 1
else:
# number of versions is the total number of machines following the current
# stage, shared amongst all replicas in this stage
num_versions = r.num_warmup_minibatches + 1
# if specified, resume from checkpoint
if args.resume:
checkpoint_file_path = "%s.%d.pth.tar" % (args.resume, r.stage)
assert os.path.isfile(checkpoint_file_path)
print("=> loading checkpoint '{}'".format(checkpoint_file_path))
checkpoint = torch.load(checkpoint_file_path)
args.start_epoch = checkpoint['epoch']
best_prec1 = checkpoint['best_prec1']
r.load_state_dict(checkpoint['state_dict'])
print("=> loaded checkpoint '{}' (epoch {})"
.format(checkpoint_file_path, checkpoint['epoch']))
# TODO: make this configurable by args
# 建立 optimizer，使用了AdamWithWeightStashing 或者 SGDWithWeightStashing
use_adam_optimizer = True
if use_adam_optimizer:
optimizer = adam.AdamWithWeightStashing(
modules=r.modules(), master_parameters=r.master_parameters,
model_parameters=r.model_parameters, loss_scale=args.loss_scale,
num_versions=num_versions, lr=args.lr, betas=(0.9,0.999),
weight_decay=args.weight_decay, verbose_freq=args.verbose_frequency,
macrobatch=args.macrobatch)
else:
optimizer = sgd.SGDWithWeightStashing(
modules=r.modules(), master_parameters=r.master_parameters,
model_parameters=r.model_parameters, loss_scale=args.loss_scale,
num_versions=num_versions, lr=args.lr, momentum=args.momentum,
weight_decay=args.weight_decay, verbose_freq=args.verbose_frequency)
if args.resume:
optimizer.load_state_dict(checkpoint['optimizer'])
cudnn.benchmark = True
# 加载 dataset
train_dataset = LazyParallelDataset(
src_fname=os.path.join(args.data_dir, config.SRC_TRAIN_FNAME),
tgt_fname=os.path.join(args.data_dir, config.TGT_TRAIN_FNAME),
tokenizer=tokenizer,
min_len=args.min_length_train,
max_len=args.max_length_train,
sort=False,
max_size=None)
val_dataset = ParallelDataset(
src_fname=os.path.join(args.data_dir, config.SRC_VAL_FNAME),
tgt_fname=os.path.join(args.data_dir, config.TGT_VAL_FNAME),
tokenizer=tokenizer,
min_len=args.min_length_train,
max_len=args.max_length_train,
sort=True)
distributed_sampler = False
if configuration_maps['stage_to_rank_map'] is not None:
num_ranks_in_first_stage = len(configuration_maps['stage_to_rank_map'][0])
if num_ranks_in_first_stage > 1:
distributed_sampler = True
# TODO: fix random seeds
train_loader = train_dataset.get_loader(
batch_size=args.batch_size, seeds=range(args.epochs),
batch_first=False, shuffle=True,
bucketing=not args.no_bucketing, num_workers=args.workers,
world_size=r.num_ranks_in_first_stage,
rank=r.rank_in_stage if r.stage == 0 else 0
)
val_loader = val_dataset.get_loader(
batch_size=args.batch_size, batch_first=False,
shuffle=True, num_workers=args.workers,
world_size=r.num_ranks_in_first_stage,
seeds=range(args.epochs),
rank=r.rank_in_stage if r.stage == 0 else 0
)
# if checkpoint is loaded, start by running validation
if args.resume:
assert args.start_epoch > 0
validate(val_loader, r, args.start_epoch-1)
# 进行训练，保存checkpoint
for epoch in range(args.start_epoch, args.epochs):
if distributed_sampler:
train_loader.sampler.set_epoch(epoch)
adjust_learning_rate(optimizer, epoch, args.epochs, r, args.lr_policy)
# train or run forward pass only for one epoch
if args.forward_only:
validate(val_loader, r, epoch)
else:
train(train_loader, r, optimizer, epoch)
# evaluate on validation set
prec1 = validate(val_loader, r, epoch)
if r.stage != r.num_stages: prec1 = 0
# remember best prec@1 and save checkpoint
best_prec1 = max(prec1, best_prec1)
should_save_checkpoint = args.checkpoint_dir_not_nfs or r.rank_in_stage == 0
if args.checkpoint_dir and should_save_checkpoint:
save_checkpoint({
'epoch': epoch + 1,
'arch': args.arch,
'state_dict': r.state_dict(),
'best_prec1': best_prec1,
'optimizer' : optimizer.state_dict(),
'tokenizer': tokenizer.get_state()
}, args.checkpoint_dir, r.stage, epoch)
3.2 训练函数
我们下面看看训练函数 train 代码
- 首先进入启动热身阶段，需要一直执行到 输出完成第一个小批次的前向传播，对应上图的 Startup State。
- 然后开始交替执行后续小批次的前向传播和后向传播，从此时开始，进入到上图的 Steady State，在每个阶段之中，对于每一个小批次：
- 实施前向传播，目的是把minibatch推送到下游worker。这就是 1F。
- 如果是最后阶段，则更新损失。
- 梯度清零。
- 加载保存的权重。
- 后向传播。这就是 1B。
- 恢复最新权重。目前在本step内，就完成了 1F1B。
- 进行下一次step。
- 最后是剩余的后向传播，对应着热身阶段的前向传播。
def train(train_loader, r, optimizer, epoch):
batch_time = AverageMeter()
losses = AverageMeter()
top1 = AverageMeter()
top5 = AverageMeter()
# switch to train mode
n = r.num_iterations(loader_size=len(train_loader))
if args.num_minibatches is not None:
n = min(n, args.num_minibatches)
r.train(n)
if not is_first_stage(): train_loader = None
r.set_loader(train_loader)
end = time.time()
epoch_start_time = time.time()
if args.no_input_pipelining:
num_warmup_minibatches = 0
else:
num_warmup_minibatches = r.num_warmup_minibatches
# start num_warmup_minibatches forward passes
# 启动热身阶段，需要一直执行到 输出完成第一个小批次的前向传播，对应上图的Start State。
for i in range(num_warmup_minibatches):
r.run_forward() # 前向传播，就是1F
# 开始交替执行后续小批次的前向传播和后向传播，从此时开始，进入到上图的 Steady State。
for i in range(n - num_warmup_minibatches):
# perform forward pass
r.run_forward() #前向传播，就是1F
if is_last_stage(): # 最后阶段
# measure accuracy and record loss
output, target, loss, num_tokens = r.output, r.target, r.loss.item(), r.num_tokens()
losses.update(loss, num_tokens) # 更新损失
# measure elapsed time
batch_time.update(time.time() - end)
end = time.time()
epoch_time = (end - epoch_start_time) / 3600.0
full_epoch_time = (epoch_time / float(i+1)) * float(n)
else:
# print log，省略
# perform backward pass
if args.fp16:
r.zero_grad() # 梯度清零
else:
optimizer.zero_grad() # 梯度清零
optimizer.load_old_params() # 加载 stash weight
r.run_backward() # 后向传播，就是1B
optimizer.load_new_params() # 恢复新的weight
optimizer.step() # 下一次训练，同时更新参数
# finish remaining backward passes
# 最后剩余的后向传播，对应着热身阶段的前向传播
for i in range(num_warmup_minibatches):
optimizer.zero_grad()
optimizer.load_old_params() # 加载 stash weight
r.run_backward() # 后向传播，就是1B
optimizer.load_new_params() # 恢复新的weight
optimizer.step() # 下一次训练
# wait for all helper threads to complete
r.wait()
上面参数的 r 是 StageRuntime 类型，所以我们看看其中的run_forward和run_backward。
3.3 前向传播
以下是 StageRuntime 类的 run_forward 方法 和 _run_forward 方法，这两个方法完成了前向传播。
def run_forward(self, recompute_step=False):
"""Run forward pass.
"""
# Receive tensors from previous worker.
self.receive_tensors_forward() # 接受上一阶段的张量
tensors = self.tensors[-1]
# Run forward pass.
self._run_forward(tensors) # 进行本阶段前向传播计算
# Send tensors forward.
self.send_tensors_forward() # 发送给下一阶段
self.forward_stats.reset_stats()
self.forward_minibatch_id += 1
def _run_forward(self, tensors):
# Perform forward pass through model (self.modules_with_dependencies already
# has modules in topological order).
# 得到module和对应的输入，输出
modules = self.modules_with_dependencies.modules()
all_input_names = self.modules_with_dependencies.all_input_names()
all_output_names = self.modules_with_dependencies.all_output_names()
# 遍历模块
for i, (module, input_names, output_names) in \
enumerate(zip(modules, all_input_names, all_output_names)):
if i == (len(modules) - 1) and self.is_criterion:
# 如果是计算损失
# If layer is criterion (loss).
if self.model_type == SPEECH_TO_TEXT:
output = tensors["output"].transpose(0, 1).float()
output_sizes = tensors["output_sizes"].cpu()
target = tensors["target"].cpu()
target_sizes = tensors["target_length"].cpu()
input0_size = tensors["input0_size"].cpu()
module_outputs = [module(output, target, output_sizes, target_sizes) / input0_size[0]]
else:
module_outputs = [module(tensors[input_name],
tensors["target"])
for input_name in input_names]
module_outputs = [sum(module_outputs)]
else:
# 中间层
# If layer is non-criterion.
module_outputs = module(*[tensors[input_name]
for input_name in input_names])
if not isinstance(module_outputs, tuple):
module_outputs = (module_outputs,)
module_outputs = list(module_outputs)
# 把计算结果放入tensors之中，这样后续就知道如何发送
for (output_name, module_output) in zip(output_names, module_outputs):
tensors[output_name] = module_output
self.output = tensors[input_names[0]]
# 如果是最后阶段，则做处理
if self.is_criterion and self.model_type == TRANSLATION:
loss_per_batch = tensors[output_names[0]] * tensors[self.criterion_input_name].size(1)
loss_per_token = loss_per_batch / tensors["target_length"][0].item()
self.loss = loss_per_token
elif self.is_criterion:
self.loss = tensors[output_names[0]]
else:
self.loss = 1
3.4 反向传播
运行引擎的 run_backward 完成了后向计算。
def run_backward(self):
# Receive input gradients needed for backward pass.
self.receive_tensors_backward() # 从反向计算图上一层接受梯度
# Backward pass through modules in reverse order.
inputs = {}
outputs = {}
input_gradients = {}
output_gradients = {}
# Get input and output names spanning all modules in this stage.
all_input_names_set = set()
all_output_names_set = set()
# 得到module和对应的输入，输出
modules = self.modules_with_dependencies.modules()
all_input_names = self.modules_with_dependencies.all_input_names()
all_output_names = self.modules_with_dependencies.all_output_names()
for (input_names, output_names) in zip(all_input_names, all_output_names):
for input_name in input_names:
all_input_names_set.add(input_name)
for output_name in output_names:
all_output_names_set.add(output_name)
tensors = self.tensors.pop(0)
# Set inputs, outputs, and output_gradients.
# Only set outputs/output_gradients for tensors that are not inputs of
# other modules in this stage.
# Similarly, only set inputs for tensors that are not outputs of other
# modules in this stage.
for (module, input_names, output_names) in \
zip(reversed(modules), reversed(all_input_names), reversed(all_output_names)):
for output_name in output_names:
if output_name not in all_input_names_set:
if output_name not in self.gradients:
output_gradients[output_name] = None
else:
# 计算梯度记录在这里
output_gradients[output_name] = self.gradients[output_name]
if tensors[output_name].requires_grad:
outputs[output_name] = tensors[output_name]
for input_name in input_names:
if input_name not in all_output_names_set:
inputs[input_name] = tensors[input_name]
# Hook to record input gradients.
def hook_wrapper(input_name):
def hook(input_gradient):
input_gradients[input_name] = input_gradient
return hook
for input_name in inputs:
if input_name != "input0" and input_name != "input1" and input_name != "input2" \
and inputs[input_name].requires_grad:
inputs[input_name].register_hook(hook_wrapper(input_name))
if "loss" in outputs:
outputs["loss"] *= self.loss_scale
# Perform backward pass.
# 进行反向传播，output_gradients
# outputs 就是要计算梯度的张量，output_gradients就是计算出来的梯度
torch.autograd.backward(tuple([outputs[output_name] for output_name in outputs]),
grad_tensors=tuple([output_gradients[output_name]
for output_name in outputs]))
# Input tensors don't need gradients.
for input_name in inputs:
if not inputs[input_name].requires_grad:
self.gradients[input_name] = inputs[input_name]
continue
if input_name != "input0" and input_name != "input1" and input_name != "input2" and input_name != "input":
self.gradients[input_name] = input_gradients[input_name]
# Send output gradients.
self.send_tensors_backward() # 发送梯度（self.gradients）给反向图的下一层
if self.verbose_freq > 0 and self.backward_minibatch_id % self.verbose_freq == 0:
self.backward_stats.print_stats()
self.backward_stats.reset_stats()
self.backward_minibatch_id += 1
我们借助前文的图，再加深一下印象。
发送逻辑：
StageRuntime CommunicationHandler send_helper_thread
+ + +
| | |
| 1 | |
v | |
run_backward | |
| | |
| 2 | |
| | wait on backward_send_queues
v 3 v |
send_tensors_backward +--------> send |
| |
| |
| 4 |
v 5 v
backward_send_queues.add(tensor) +----> tensor = queue.remove()
notify |
|
| 6
v
_send
|
| 7
|
v
dist.send
接受逻辑：
StageRuntime CommunicationHandler recv_helper_thread
+ + +
| | |
| 1 | |
| | | 4
v | v
run_backward | _recv
| | |
| | |
| | | 5
| | |
| 2 | v
| | dist.recv / dist.broadcast
| | |
v 3 v |
receive_tensors_backward +---------> recv |
+ | |
| | |
| | |
| | |
| v |
| backward_receive_queues.remove() |
| | |
| | |
| | |
| | |
| wait on backward_receive_queues |
| | |
| | |
| | |
| | 6 v
| backward_receive_queues <-------+ queue.add(tensor)
| | notify
| | 7
v 3 return |
gradients[output_name] <---------------+
3.5 Weight Stashing
Weight Stashing 是由OptimizerWithWeightStashing实现的。
下面省略了很多次要代码，训练时候调用了 load_old_params 和 load_new_params。
class OptimizerWithWeightStashing(torch.optim.Optimizer):
"""Wrapper class that adds weight stashing to a vanilla torch.optim.Optimizer.
Arguments:
- optim_name: the name of optimizer, required to create the corresponding
base_optimizer (torch.optim.{optim_name}).
- optimizer_args: the keyword arguments passed to base_optimizer.
"""
def __init__(self, optim_name, modules, master_parameters, model_parameters,
loss_scale, num_versions, verbose_freq=0, macrobatch=False,
**optimizer_args):
self.modules = modules
self.master_parameters = master_parameters
self.model_parameters = model_parameters # model_parameters is None if not fp16.
self.loss_scale = loss_scale
# Only need at most 2 versions if using macrobatching.
if macrobatch:
num_versions = min(2, num_versions)
self.num_versions = num_versions
self.base_optimizer = getattr(torch.optim, optim_name)(
master_parameters, **optimizer_args)
self.latest_version = Version()
self.current_version = Version()
self.initialize_queue()
self.verbose_freq = verbose_freq
self.batch_counter = 0
# If macrobatching, push and pop versions at the right rate.
if macrobatch:
self.update_interval = self.num_versions
else:
self.update_interval = 1
def initialize_queue(self):
self.queue = deque(maxlen=self.num_versions)
for i in range(self.num_versions):
self.queue.append(self.get_params(clone=True))
self.buffered_state_dicts = self.queue[0][0] # stash weght变量
def load_old_params(self):
if self.num_versions > 1:
self.set_params(*self.queue[0]) #找到最初的旧weight
def load_new_params(self):
if self.num_versions > 1:
self.set_params(*self.queue[-1]) # 加载最新的weight
def zero_grad(self): # 用来reset
if self.batch_counter % self.update_interval == 0:
self.base_optimizer.zero_grad()
def step(self, closure=None):
"""Performs a single optimization step.
Arguments:
closure (callable, optional): A closure that reevaluates the model
and returns the loss.
"""
# 每 update_interval个 steps更新一次梯度
if self.batch_counter % self.update_interval != self.update_interval - 1:
self.batch_counter += 1
return None
# 省略代码
self.latest_version = self.latest_version.incr() # 因为多训练了一步，所以增加版本号
if self.num_versions > 1:
self.buffered_state_dicts = self.queue[0][0]
self.queue.append(self.get_params(clone=False)) # 把新的变量存进去
self.batch_counter += 1
return loss
0xFF 参考
Tensorflow实现先累加多个minibatch计算的梯度，再反向传播
PipeDream: Fast and Efficient Pipeline Parallel DNN Training
论文解读系列第五篇：微软斯坦福等PipeDream快速训练大规模神经网络
https://cs231n.github.io/neural-networks-3/#gradcheck
https://www.cnblogs.com/geekfx/p/14182048.html
训练时显存优化技术——OP合并与gradient checkpoint
Pytorch笔记04-自定义torch.autograd.Function
pytorch的自定义拓展之（三）——torch.autograd.Function的简单定义与案例
pytorch的自定义拓展之（二）——torch.autograd.Function完成自定义层
PyTorch 源码解读之 torch.autograd：梯度计算详解
版权声明：本文为rossiXYZ原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。