英伟达APEX,多GPU分布式训练,同步Batchnorm,自动混合精度训练法宝指南

本文主要是介绍英伟达APEX,多GPU分布式训练,同步Batchnorm,自动混合精度训练法宝指南,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

上一篇博客我讲解了APEX如何配置,以及简单的使用。这一篇主要讲一下注意细节。
英伟达(NVIDIA)训练深度学习模型神器APEX使用指南

多GPU,同步BN,自动混合精度

结合当前时代背景,这三个可以说是能训练好网络的基本条件。多GPU重要性不多说,既然都使用了多GPU,同步BN自然缺不得,还不知道同步BN(Sync BN)的同学,赶紧去查查吧。自动混合精度(amp)是干啥的,点击上面的链接,上一篇博客我也说明了。今天就带来一篇结合这三个技巧,具体介绍一下如何使用。

一般情况下的训练代码

  • 导入数据结构dataloader
  • 定义模型, 迁移到GPU上
  • 定义损失函数和优化器
  • 把模型用nn.dataParallel迁移到多GPU上。

大致就像下面这样

net = xxxNet()
net.train()
net.cuda()dataset = xxxDataset()
loader = torch.utils.data.Dataloader(dataset)opt = SGD(net.parameters())
crit = nn.BCELoss()net = torch.nn.DataParallel(net)for data in dataloader:......

接下来,我们就在上面的基础上改动,如何结合apex支持的分布式训练,同步bn,以及混合精度,同时我还会讲解几个我自己遇到的坑。

正文开始

假设我们的训练代码叫做"train.py",导入

import argparse
from apex import amp
from apex.parallel import convert_syncbn_model
from apex.parallel import DistributedDataParallel as DDP

先罗列自己网络的超参数。

def parse():parser = argparse.ArgumentParser()parser.add_argument('--local_rank', type=int, default=0)......args = parser.parse_args()return args

local_rank指定了输出设备,默认为GPU可用列表中的第一个GPU。这里这个是必须加的。原因后面讲

在主函数中开头写

def main():args = parse()torch.cuda.set_device(args.local_rank)  # 必须写!,还必须在下一句的前面,#torch.utils.launch也需要set_device, 所以必须写torch.distributed.init_process_group('nccl',init_method='env://')

导入数据接口,这里有一点不一样。需要用一个DistributedSampler

	dataset = DAVIS2017(root, 'training')num_workers = 4 if cuda else 0# 多了一个DistributedSampler,作为dataloader的samplertrain_sampler  = torch.utils.data.distributed.DistributedSampler(dataset)loader = DataLoader(dataset,batch_size=batchsize,shuffle=False, num_workers=num_workers,pin_memory=cuda,drop_last=True, sampler=train_sampler)

之后定义模型。

	net = XXXNet(using_amp=True)net.train()net = convert_syncbn_model(net)  # 用apex支持的方法,使得普通bn成为同步bn。# 切记在网络实现中,不要使用torch自带的SyncBatchnorm。device = torch.device('cuda:{}'.format(args.local_rank))net = net.to(device)  # 把模型搬运到第一块GPU上

定义优化器,损失函数,定义优化器一定要在把模型搬运到GPU之后。

	opt = Adam([{'params': params_low_lr, 'lr': 4e-5},{'params': params_high_lr, 'lr': 1e-4}], weight_decay=settings.WEIGHT_DECAY)crit = nn.BCELoss().to(device)

多GPU设置

  net, opt = amp.initialize(net, opt, opt_level="O1")  # 字母小写o,不是零。# 关于initialize用法,见上一篇博客。net = DDP(net, delay_allreduce=True)  # 必须在initialze之后

记得loss要这么用

	opt.zero_grad()# loss.backward()with amp.scale_loss(loss, opt) as scaled_loss:scaled_loss.backward()opt.step()

然后在代码底部加入

if __name__ == '__main__':main()

代码部分就修改完毕了。但是不能直接用python train.py的形式去使用它。

根据官方文档所写,无论是apex支持的DDP,还是pytorch自身支持的DDP(torch.nn.parallel.DistributedDataParallel),都需要使用torch.distributed.launch 来使用,方法是:

  • CUDA_VISIBLE_DEVICES=1,2,4 python -m torch.distributed.launch --nproc_per_node=3 train.py

注意, 1,2,4是你想用的GPU编号,nproc_per_node指定你用了几块GPU。nproc是开启几个进程,设置为和GPU数目相同的值,就意味着每一个进程要负责一块gpu,per_node代表了你只有一个主机服务器。 记得开头说必须要加入local_rank,是因为torch.distributed.launch 会调用这个local_rank.


update on 2019.11.26
在做resume训练的时候,发现resume模型需要设置在to(device)之前,就是以CPU模型导入模型才行。
否则会报显存不够的错误。
在这里插入图片描述
可能是由于设置的多进程问题吧,具体原因没搞清楚。总之记录步骤就行了。于是resume的写法可以视作这样

	# 定义模型net = SiamCo(using_amp=True)net.train()# resume 旧的训练模型resume = './model_ranet_17/65000.pth'checkpoint = torch.load(resume, map_location='cpu')  # CPU modenet.load_state_dict(checkpoint['model'])# 转同步bnnet = convert_syncbn_model(net)# 搬到GPU上去, local_rank虽然默认为0,但是torch.distributed.launch# 会给每个进程分配单独的GPU,local_rank就是被这个lauch脚本重新指定了。device = torch.device('cuda:{}'.format(args.local_rank))net = net.to(device)# 定义优化器params_low_lr = []params_high_lr = []for n, p in net.named_parameters():if 'encoder' in n:params_low_lr.append(p)else:params_high_lr.append(p)opt = Adam([{'params': params_low_lr, 'lr': 1e-5},{'params': params_high_lr, 'lr': 5e-5}], weight_decay=settings.WEIGHT_DECAY)# 分布式训练net, opt = amp.initialize(net, opt, opt_level="O0")net = DDP(net, delay_allreduce=True)

保存模型需要注意

分布式训练开启多个进程,如果你在代码中写了 torch.sava 用来保存模型,那么每一个进程都会保存一次相同的模型。假设进程之间时间几乎一致,在相同的时间连续对一个文件读取以及保存会产生什么效果? 第0块GPU上开始保存模型了,文件写到一半,第1块GPU也执行到保存模型的代码,然后把同一个文件覆盖,然后xxx。反正这个模型会因为文件损坏而不能使用。亲测,遇到过。
如何避免这个问题呢?
记得local_rank吗,前面说local_rank相当于每个进程都分配不同的值。那么我们可以用local_rank == 0 来仅仅在第一个GPU上执行的进程保存模型文件,就不会遇到模型文件重复写入的问题了。

	if arg.locak_rank == 0:torch.save(xxxx)

这样就指定了代号为0的进程去保存模型。可能有人好奇,那其他进程上的模型就不要存了吗,其实虽然是多个进程,但是每个进程上模型的参数值是一样的。多个GPU之间仍在通信。而且默认代号为0的进程是主进程。所以仅要求主进程保存模型就OK啦。

这篇关于英伟达APEX,多GPU分布式训练,同步Batchnorm,自动混合精度训练法宝指南的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/251179

相关文章

SpringBoot多数据源配置完整指南

《SpringBoot多数据源配置完整指南》在复杂的企业应用中,经常需要连接多个数据库,SpringBoot提供了灵活的多数据源配置方式,以下是详细的实现方案,需要的朋友可以参考下... 目录一、基础多数据源配置1. 添加依赖2. 配置多个数据源3. 配置数据源Bean二、JPA多数据源配置1. 配置主数据

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

SpringBoot中配置Redis连接池的完整指南

《SpringBoot中配置Redis连接池的完整指南》这篇文章主要为大家详细介绍了SpringBoot中配置Redis连接池的完整指南,文中的示例代码讲解详细,具有一定的借鉴价值,感兴趣的小伙伴可以... 目录一、添加依赖二、配置 Redis 连接池三、测试 Redis 操作四、完整示例代码(一)pom.

Linux内核参数配置与验证详细指南

《Linux内核参数配置与验证详细指南》在Linux系统运维和性能优化中,内核参数(sysctl)的配置至关重要,本文主要来聊聊如何配置与验证这些Linux内核参数,希望对大家有一定的帮助... 目录1. 引言2. 内核参数的作用3. 如何设置内核参数3.1 临时设置(重启失效)3.2 永久设置(重启仍生效

IDEA自动生成注释模板的配置教程

《IDEA自动生成注释模板的配置教程》本文介绍了如何在IntelliJIDEA中配置类和方法的注释模板,包括自动生成项目名称、包名、日期和时间等内容,以及如何定制参数和返回值的注释格式,需要的朋友可以... 目录项目场景配置方法类注释模板定义类开头的注释步骤类注释效果方法注释模板定义方法开头的注释步骤方法注

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

pytorch自动求梯度autograd的实现

《pytorch自动求梯度autograd的实现》autograd是一个自动微分引擎,它可以自动计算张量的梯度,本文主要介绍了pytorch自动求梯度autograd的实现,具有一定的参考价值,感兴趣... autograd是pytorch构建神经网络的核心。在 PyTorch 中,结合以下代码例子,当你

Python如何自动生成环境依赖包requirements

《Python如何自动生成环境依赖包requirements》:本文主要介绍Python如何自动生成环境依赖包requirements问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录生成当前 python 环境 安装的所有依赖包1、命令2、常见问题只生成当前 项目 的所有依赖包1、

深入理解Apache Kafka(分布式流处理平台)

《深入理解ApacheKafka(分布式流处理平台)》ApacheKafka作为现代分布式系统中的核心中间件,为构建高吞吐量、低延迟的数据管道提供了强大支持,本文将深入探讨Kafka的核心概念、架构... 目录引言一、Apache Kafka概述1.1 什么是Kafka?1.2 Kafka的核心概念二、Ka

PyInstaller打包selenium-wire过程中常见问题和解决指南

《PyInstaller打包selenium-wire过程中常见问题和解决指南》常用的打包工具PyInstaller能将Python项目打包成单个可执行文件,但也会因为兼容性问题和路径管理而出现各种运... 目录前言1. 背景2. 可能遇到的问题概述3. PyInstaller 打包步骤及参数配置4. 依赖