pytorch DistributedDataParallel 多卡训练结果变差的解决方案_Python

DDP 数据shuffle 的设置

使用DDP要给dataloader传入sampler参数（torch.utils.data.distributed.DistributedSampler(dataset, num_replicas=None, rank=None, shuffle=True, seed=0, drop_last=False)）。默认shuffle=True，但按照pytorch DistributedSampler的实现：

				?

									def __iter__(self) -> Iterator[T_co]:

									    if self.shuffle:

									        # deterministically shuffle based on epoch and seed

									        g = torch.Generator()

									        g.manual_seed(self.seed + self.epoch)

									        indices = torch.randperm(len(self.dataset), generator=g).tolist()  # type: ignore

									    else:

									        indices = list(range(len(self.dataset)))  # type: ignore

产生随机indix的种子是和当前的epoch有关，所以需要在训练的时候手动set epoch的值来实现真正的shuffle：

				?

									for epoch in range(start_epoch, n_epochs):

									    if is_distributed:

									        sampler.set_epoch(epoch)

									    train(loader)

DDP 增大batchsize 效果变差的问题

large batchsize：

理论上的优点：

数据中的噪声影响可能会变小，可能容易接近最优点；

缺点和问题：

降低了梯度的variance；(理论上，对于凸优化问题，低的梯度variance可以得到更好的优化效果; 但是实际上Keskar et al验证了增大batchsize会导致差的泛化能力);

对于非凸优化问题，损失函数包含多个局部最优点，小的batchsize有噪声的干扰可能容易跳出局部最优点，而大的batchsize有可能停在局部最优点跳不出来。

解决方法：

增大learning_rate，但是可能出现问题，在训练开始就用很大的learning_rate 可能导致模型不收敛 (https://arxiv.org/abs/1609.04836)

使用warming up (https://arxiv.org/abs/1706.02677)

warmup

在训练初期就用很大的learning_rate可能会导致训练不收敛的问题，warmup的思想是在训练初期用小的学习率，随着训练慢慢变大学习率，直到base learning_rate，再使用其他decay（CosineAnnealingLR）的方式训练.

				?

									# copy from https://github.com/ildoonet/pytorch-gradual-warmup-lr/blob/master/warmup_scheduler/scheduler.py

									from torch.optim.lr_scheduler import _LRScheduler

									from torch.optim.lr_scheduler import ReduceLROnPlateau

									class GradualWarmupScheduler(_LRScheduler):

									    """ Gradually warm-up(increasing) learning rate in optimizer.

									    Proposed in 'Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour'.

									    Args:

									        optimizer (Optimizer): Wrapped optimizer.

									        multiplier: target learning rate = base lr * multiplier if multiplier > 1.0. if multiplier = 1.0, lr starts from 0 and ends up with the base_lr.

									        total_epoch: target learning rate is reached at total_epoch, gradually

									        after_scheduler: after target_epoch, use this scheduler(eg. ReduceLROnPlateau)

									    """

									    def __init__(self, optimizer, multiplier, total_epoch, after_scheduler=None):

									        self.multiplier = multiplier

									        if self.multiplier < 1.:

									            raise ValueError('multiplier should be greater thant or equal to 1.')

									        self.total_epoch = total_epoch

									        self.after_scheduler = after_scheduler

									        self.finished = False

									        super(GradualWarmupScheduler, self).__init__(optimizer)

									    def get_lr(self):

									        if self.last_epoch > self.total_epoch:

									            if self.after_scheduler:

									                if not self.finished:

									                    self.after_scheduler.base_lrs = [base_lr * self.multiplier for base_lr in self.base_lrs]

									                    self.finished = True

									                return self.after_scheduler.get_last_lr()

									            return [base_lr * self.multiplier for base_lr in self.base_lrs]

									        if self.multiplier == 1.0:

									            return [base_lr * (float(self.last_epoch) / self.total_epoch) for base_lr in self.base_lrs]

									        else:

									            return [base_lr * ((self.multiplier - 1.) * self.last_epoch / self.total_epoch + 1.) for base_lr in self.base_lrs]

									    def step_ReduceLROnPlateau(self, metrics, epoch=None):

									        if epoch is None:

									            epoch = self.last_epoch + 1

									        self.last_epoch = epoch if epoch != 0 else 1  # ReduceLROnPlateau is called at the end of epoch, whereas others are called at beginning

									        if self.last_epoch <= self.total_epoch:

									            warmup_lr = [base_lr * ((self.multiplier - 1.) * self.last_epoch / self.total_epoch + 1.) for base_lr in self.base_lrs]

									            for param_group, lr in zip(self.optimizer.param_groups, warmup_lr):

									                param_group['lr'] = lr

									        else:

									            if epoch is None:

									                self.after_scheduler.step(metrics, None)

									            else:

									                self.after_scheduler.step(metrics, epoch - self.total_epoch)

									    def step(self, epoch=None, metrics=None):

									        if type(self.after_scheduler) != ReduceLROnPlateau:

									            if self.finished and self.after_scheduler:

									                if epoch is None:

									                    self.after_scheduler.step(None)

									                else:

									                    self.after_scheduler.step(epoch - self.total_epoch)

									                self._last_lr = self.after_scheduler.get_last_lr()

									            else:

									                return super(GradualWarmupScheduler, self).step(epoch)

									        else:

									            self.step_ReduceLROnPlateau(metrics, epoch)

分布式多卡训练DistributedDataParallel踩坑

近几天想研究了多卡训练，就花了点时间，本以为会很轻松，可是好多坑，一步一步踏过来，一般分布式训练分为单机多卡与多机多卡两种类型；

主要有两种方式实现：

１、DataParallel: Parameter Server模式，一张卡位reducer，实现也超级简单，一行代码

DataParallel是基于Parameter server的算法，负载不均衡的问题比较严重，有时在模型较大的时候（比如bert-large），reducer的那张卡会多出3-4g的显存占用

２、DistributedDataParallel：官方建议用新的DDP，采用all-reduce算法，本来设计主要是为了多机多卡使用，但是单机上也能用

为什么要分布式训练？

可以用多张卡，总体跑得更快

可以得到更大的 BatchSize

有些分布式会取得更好的效果

主要分为以下几个部分：

单机多卡，DataParallel（最常用，最简单）

单机多卡，DistributedDataParallel（较高级）、多机多卡，DistributedDataParallel（最高级）

如何启动训练

模型保存与读取

注意事项

一、单机多卡（DATAPARALLEL）

				?

									from torch.nn import DataParallel

									device = torch.device("cuda")

									＃或者device = torch.device("cuda:0" if True else "cpu")

									model = MyModel()

									model = model.to(device)

									model = DataParallel(model)

									＃或者model = nn.DataParallel(model,device_ids=[0,1，2,3])

比较简单，只需要加一行代码就行， model = DataParallel(model)

二、多机多卡、单机多卡（DISTRIBUTEDDATAPARALLEL）

建议先把注意事项看完在修改代码，防止出现莫名的bug，修改训练代码如下：

其中opt.local_rank要在代码前面解析这个参数，可以去后面看我写的注意事项；

				?

									    from torch.utils.data.distributed import DistributedSampler

									    import torch.distributed as dist

									    import torch

									    # Initialize Process Group

									    dist_backend = 'nccl'

									    print('args.local_rank: ', opt.local_rank)

									    torch.cuda.set_device(opt.local_rank)

									    dist.init_process_group(backend=dist_backend)

									    model = yourModel()＃自己的模型

									    if torch.cuda.device_count() > 1:

									        print("Let's use", torch.cuda.device_count(), "GPUs!")

									        # 5) 封装

									        # model = torch.nn.parallel.DistributedDataParallel(model,

									        #                                                   device_ids=[opt.local_rank],

									        #                                                   output_device=opt.local_rank)

									        model = torch.nn.parallel.DistributedDataParallel(model.cuda(), device_ids=[opt.local_rank])

									    device = torch.device(opt.local_rank)

									    model.to(device)

									    dataset = ListDataset(train_path, augment=True, multiscale=opt.multiscale_training, img_size=opt.img_size, normalized_labels=True)#自己的读取数据的代码

									    world_size = torch.cuda.device_count()

									    datasampler = DistributedSampler(dataset, num_replicas=dist.get_world_size(), rank=opt.local_rank)

									    dataloader = torch.utils.data.DataLoader(

									        dataset,

									        batch_size=opt.batch_size,

									        shuffle=False,

									        num_workers=opt.n_cpu,

									        pin_memory=True,

									        collate_fn=dataset.collate_fn,

									        sampler=datasampler

									    )＃在原始读取数据中加sampler参数就行

									.....

									训练过程中，数据转cuda

									      imgs = imgs.to(device)

									      targets = targets.to(device)

三、如何启动训练

１、DataParallel方式

正常训练即可，即

python3 train.py

２、DistributedDataParallel方式

需要通过torch.distributed.launch来启动，一般是单节点，

				?

									CUDA_VISIBLE_DEVICES=0,1 python3 -m torch.distributed.launch --nproc_per_node=2 train.py

其中CUDA_VISIBLE_DEVICES　设置用的显卡编号，--nproc_pre_node 每个节点的显卡数量，一般有几个显卡就用几个显卡

多节点

				?

									python３ -m torch.distributed.launch --nproc_per_node=NUM_GPUS_YOU_HAVE --nnodes=2 --node_rank=0

									＃两个节点，在０号节点

要是训练成功，就会打印出几个信息，有几个卡就打印几个信息，如下图所示:

pytorch DistributedDataParallel 多卡训练结果变差的解决方案

四、模型保存与读取

以下a、b是对应的，用a保存，就用a方法加载

１、保存

a、只保存参数

				?

									torch.save(model.module.state_dict(), path)

b、保存参数与网络

				?

									torch.save(model.module,path)

２、加载

a、多卡加载模型预训练；

				?

									model = Yourmodel()

									if opt.pretrained_weights:

									        if opt.pretrained_weights.endswith(".pth"):

									            model.load_state_dict(torch.load(opt.pretrained_weights))

									        else:

									            model.load_darknet_weights(opt.pretrained_weights)

单卡加载模型，需要加载模型时指定主卡读模型，而且这个'cuda:0',是看你训练的模型是０还是１（否则就会出错RuntimeError: Attempting to deserialize object on CUDA device 1 but torch.cuda.device_count() is 1. Please use torch.load with map_location to map your storages to an existing device），可以根据自己的更改：

				?

									model = Yourmodel()

									if opt.pretrained_weights:

									        if opt.pretrained_weights.endswith(".pth"):

									            model.load_state_dict(torch.load(opt.pretrained_weights，map_location="cuda:0"))

									        else:

									            model.load_darknet_weights(opt.pretrained_weights)

b、单卡加载模型；

同样也要指定读取模型的卡。　　

				?

									model = torch.load(opt.weights_path, map_location="cuda:0")

多卡加载预训练模型，以b这种方式还没跑通。

五、注意事项

１、model后面添加module

获取到网络模型后，使用并行方法，并将网络模型和参数移到GPU上。注意，若需要修改网络模块或者获得模型的某个参数，一定要在model后面加上.module，否则会报错，比如：

				?

									model.img_size　　要改成　　model.module.img_size

２、.cuda或者.to(device)等问题

device是自己设置，如果.cuda出错，就要化成相应的device

model（如：model.to(device)）

input（通常需要使用Variable包装，如：input = Variable(input).to(device)）

target（通常需要使用Variable包装

nn.CrossEntropyLoss()（如：criterion = nn.CrossEntropyLoss().to(device)）

３、args.local_rank的参数

通过torch.distributed.launch来启动训练，torch.distributed.launch 会给模型分配一个args.local_rank的参数，所以在训练代码中要解析这个参数，也可以通过torch.distributed.get_rank()获取进程id。

				?

									parser.add_argument("--local_rank", type=int, default=-1, help="number of cpu threads to use during batch generation")

以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/cuifan0814/article/details/115861782