pytorch单精度、半精度、混合精度、单卡、多卡（DP / DDP）、FSDP、DeepSpeed模型训练

pytorch单精度、半精度、混合精度、单卡、多卡（DP / DDP）、FSDP、DeepSpeed模型训练、模型保存、模型推理、onnx导出、onnxruntime推理等示例代码，并对比不同方法的训练速度以及GPU内存的使用。

代码：pytorch_model_train

---

FairScale（你真的需要FSDP、DeepSpeed吗？）

在了解各种训练方式之前，先来看一下 FairScale 给出的一个模型训练方式选择的流程，选择适合自己的方式，就是最好的。

---

训练环境设置

• 模型：预训练的Resnet50
• 数据集：Cifar10
• 硬件资源：一台4卡Tesla P40
• 训练设置：5 epoch、128 batch size
• 观察指标：显存占用、GPU使用率、训练时长、模型训练结果

备注：

1. 由于P40硬件限制，不支持半精度fp16的训练，在fp16条件下训练的速度会受到影
   响
2. ResNet50模型较小，batch_size=1时单卡仅占用 0.34G显存，绝大部分显存都被输入数据，以及中间激活占用

---

测试基准（batch_size=1）

• 单卡显存占用：0.34 G
• 单卡GPU使用率峰值：60%

---

单卡单精度训练

• 代码文件：pytorch_SingleGPU.py
• 单卡显存占用：11.24 G
• 单卡GPU使用率峰值：100%
• 训练时长（5 epoch）：1979 s
• 训练结果：准确率85%左右

---

单卡半精度训练

• 代码文件：pytorch_half_precision.py
• 单卡显存占用：5.79 G
• 单卡GPU使用率峰值：100%
• 训练时长（5 epoch）：1946 s
• 训练结果：准确率75%左右

备注： 单卡半精度训练的准确率只有75%，单精度的准确率在85%左右

---

单卡混合精度训练

AUTOMATIC MIXED PRECISION PACKAGE - TORCH.AMP

CUDA AUTOMATIC MIXED PRECISION EXAMPLES

PyTorch 源码解读之 torch.cuda.amp: 自动混合精度详解

如何使用 PyTorch 进行半精度、混(合)精度训练

如何使用 PyTorch 进行半精度训练

pytorch模型训练之fp16、apm、多GPU模型、梯度检查点（gradient checkpointing）显存优化等

Working with Multiple GPUs

• 代码文件：pytorch_auto_mixed_precision.py
• 单卡显存占用：6.02 G
• 单卡GPU使用率峰值：100%
• 训练时长（5 epoch）：1546 s
• 训练结果：准确率85%左右

• 混合精度训练过程

• 混合精度训练基本流程

1. 维护一个 FP32 数值精度模型的副本
2. 在每个iteration
   • 拷贝并且转换成 FP16 模型
   • 前向传播（FP16 的模型参数）
   • loss 乘 scale factor s
   • 反向传播（FP16 的模型参数和参数梯度）
   • 参数梯度乘 1/s
   • 利用 FP16 的梯度更新 FP32 的模型参数

• autocast结合GradScaler用法

# Creates model and optimizer in default precision
model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)# Creates a GradScaler once at the beginning of training.
scaler = GradScaler()for epoch in epochs:for input, target in data:optimizer.zero_grad()# Runs the forward pass with autocasting.with autocast(device_type='cuda', dtype=torch.float16):output = model(input)loss = loss_fn(output, target)# Scales loss.  Calls backward() on scaled loss to create scaled gradients.# Backward passes under autocast are not recommended.# Backward ops run in the same dtype autocast chose for corresponding forward ops.scaler.scale(loss).backward()# scaler.step() first unscales the gradients of the optimizer's assigned params.# If these gradients do not contain infs or NaNs, optimizer.step() is then called,# otherwise, optimizer.step() is skipped.scaler.step(optimizer)# Updates the scale for next iteration.scaler.update()

• 基于GradScaler进行梯度裁剪

scaler.scale(loss).backward()
scaler.unscale_(optimizer)
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm)
scaler.step(optimizer)
scaler.update()

• autocast用法

# Creates some tensors in default dtype (here assumed to be float32)
a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")with torch.autocast(device_type="cuda"):# torch.mm is on autocast's list of ops that should run in float16.# Inputs are float32, but the op runs in float16 and produces float16 output.# No manual casts are required.e_float16 = torch.mm(a_float32, b_float32)# Also handles mixed input typesf_float16 = torch.mm(d_float32, e_float16)# After exiting autocast, calls f_float16.float() to use with d_float32
g_float32 = torch.mm(d_float32, f_float16.float())

• autocast嵌套使用

# Creates some tensors in default dtype (here assumed to be float32)
a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")with torch.autocast(device_type="cuda"):e_float16 = torch.mm(a_float32, b_float32)with torch.autocast(device_type="cuda", enabled=False):# Calls e_float16.float() to ensure float32 execution# (necessary because e_float16 was created in an autocasted region)f_float32 = torch.mm(c_float32, e_float16.float())# No manual casts are required when re-entering the autocast-enabled region.# torch.mm again runs in float16 and produces float16 output, regardless of input types.g_float16 = torch.mm(d_float32, f_float32)

---

4卡 DP（Data Parallel）

• 代码文件：pytorch_DP.py
• 单卡显存占用：3.08 G
• 单卡GPU使用率峰值：99%
• 训练时长（5 epoch）：742 s
• 训练结果：准确率85%左右

---

4卡 DDP（Distributed Data Parallel）

pytorch-multi-gpu-training
/ddp_train.py

DISTRIBUTED COMMUNICATION PACKAGE - TORCH.DISTRIBUTED

• 代码文件：pytorch_DDP.py
• 单卡显存占用：3.12 G
• 单卡GPU使用率峰值：99%
• 训练时长（5 epoch）：560 s
• 训练结果：准确率85%左右

• 代码启动命令（单机 4 GPU）

python -m torch.distributed.launch --nproc_per_node=4 --nnodes=1 pytorch_DDP.py    

---

基于accelerate的 DDP

huggingface/accelerate

Hugging Face开源库accelerate详解

• 代码文件：accelerate_DDP.py
• 单卡显存占用：3.15 G
• 单卡GPU使用率峰值：99%
• 训练时长（5 epoch）：569 s
• 训练结果：准确率85%左右

• accelerate配置文件default_DDP.yml

compute_environment: LOCAL_MACHINE
distributed_type: MULTI_GPU
downcast_bf16: 'no'
gpu_ids: all
machine_rank: 0
main_training_function: main
mixed_precision: 'no'
num_machines: 1
num_processes: 4
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false

• 代码启动命令（单机 4 GPU）

accelerate launch --config_file ./config/default_DDP.yml accelerate_DDP.py    

---

Pytorch + FSDP（Fully Sharded Data Parallel）

Pytorch FULLY SHARDED DATA PARALLEL (FSDP) 初识

2023 年了，大模型训练还要不要用 PyTorch 的 FSDP ？

GETTING STARTED WITH FULLY SHARDED DATA PARALLEL(FSDP)

• batch_size == 1

  • 单卡显存占用：0.19 G，相比基准测试的 0.34G 有减少，但是没有达到4倍
  • 单卡GPU使用率峰值：60%

• batch_size == 128

  • 单卡显存占用：2.88 G
  • 单卡GPU使用率峰值：99%

• 代码文件：pytorch_FSDP.py

• 训练时长（5 epoch）：581 s

• 训练结果：准确率85%左右

备注： pytorch里面的FSDP的batchsize是指单张卡上的batch大小
注意： to save the FSDP model, we need to call the state_dict on each rank then on Rank 0 save the overall states.翻译过来就是使用下面形式的代码来保存FSDP模型（否则，保存模型的时候会卡主）：

states = model.state_dict()if rank == 0:torch.save(states, "model.pt")

• 代码启动命令（单机 4 GPU）

python -m torch.distributed.launch --nproc_per_node=4 --nnodes=1 pytorch_FSDP.py    

• FSDP包装后的模型

代码中指定对Resnet50中的Linear和Conv2d层应用FSDP。

---

基于accelerate的 FSDP（Fully Sharded Data Parallel）

• batch_size == 1

  • 单卡显存占用：0.38 G，相比基准测试的 0.34G 并没有减少
  • 单卡GPU使用率峰值：60%

• batch_size == 128

  • 单卡显存占用：2.90 G
  • 单卡GPU使用率峰值：99%

• 代码文件：accelerate_FSDP.py

• 训练时长（5 epoch）：576 s，对于这个小模型速度和DDP相当

• 训练结果：准确率85%左右

• accelerate配置文件default_FSDP.yml

compute_environment: LOCAL_MACHINE
distributed_type: FSDP
downcast_bf16: 'no'
fsdp_config:fsdp_auto_wrap_policy: SIZE_BASED_WRAPfsdp_backward_prefetch_policy: BACKWARD_PREfsdp_forward_prefetch: truefsdp_min_num_params: 1000000fsdp_offload_params: falsefsdp_sharding_strategy: 1fsdp_state_dict_type: SHARDED_STATE_DICTfsdp_sync_module_states: truefsdp_use_orig_params: true
machine_rank: 0
main_training_function: main
mixed_precision: 'no'
num_machines: 1
num_processes: 4
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false

• 代码启动命令（单机 4 GPU）

accelerate launch --config_file ./config/default_FSDP.yml accelerate_FSDP.py    

---

Pytorch + DeepSpeed（环境没搞起来，哈哈哈）

[BUG] error: unrecognized arguments: --deepspeed ./ds_config.json #3961

fused_adam.so: cannot open shared object file: No such file or directory #119

DeepSpeedExamples/training/cifar/

Getting Started

• 代码文件：pytorch_DeepSpeed.py

• 单卡显存占用：

• 单卡GPU使用率峰值：

• 训练时长（5 epoch）：

• 训练结果：

• 代码启动命令（单机 4 GPU）

deepspeed pytorch_DeepSpeed.py --deepspeed_config ./config/zero_stage2_config.json    

---

基于accelerate的 DeepSpeed（环境没搞起来，哈哈哈）

DeepSpeed介绍

深度解析：如何使用DeepSpeed加速PyTorch模型训练

DeepSpeed

• 代码文件：accelerate_DeepSpeed.py
• 单卡显存占用：
• 单卡GPU使用率峰值：
• 训练时长（5 epoch）：
• 训练结果：

---

模型保存

详见各方法的训练代码文件。

• 单卡训练保存

torch.save(model.state_dict(), model_name)

• 多卡训练保存

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

• FSDP训练保存

states = model.state_dict()if rank == 0:torch.save(states, model_name)

---

模型推理

详见model_inference.py代码文件

---

onnx模型导出 / onnxruntime推理

pytorch.onnx.export方法参数详解，以及onnxruntime-gpu推理性能测试

详见model_inference.py代码文件