分布式同步训练

Fluid支持数据并行的分布式同步训练,API使用 DistributeTranspiler 将单机网络配置转换成可以多机执行的 pserver 端程序和 trainer 端程序。用户在不同的节点执行相同的一段代码,根据环境变量或启动参数, 可以执行对应的 pservertrainer 角色。Fluid分布式同步训练同时支持pserver模式和NCCL2模式, 在API使用上有差别,需要注意。

pserver模式分布式训练

API详细使用方法参考 DistributeTranspiler ,简单实例用法:

  1. config = fluid.DistributeTranspilerConfig()
  2. # 配置策略config
  3. config.slice_var_up = False
  4. t = fluid.DistributeTranspiler(config=config)
  5. t.transpile(trainer_id,
  6. program=main_program,
  7. pservers="192.168.0.1:6174,192.168.0.2:6174",
  8. trainers=1,
  9. sync_mode=True)

以上参数中:

  • trainer_id : trainer节点的id,从0到n-1,n为当前训练任务中trainer节点的个数
  • program : 被转换的 program 默认使用 fluid.default_main_program()
  • pservers : 当前训练任务中pserver节点的IP端口列表
  • trainers : int类型,当前训练任务中trainer节点的个数。注意:

    • pserver模式下,trainer节点个数可以和pserver节点个数不一致,比如使用20个pserver和50个trainer。在实际训练任务中,您可以通过调整pserver节点和trainer节点个数找到最佳性能
    • NCCL2模式中,此项参数是字符串,指定trainer节点的IP端口列表
  • sync_mode : 是否是同步训练模式,默认为True,不传此参数也默认是同步训练模式

其中,支持的config包括:

  • slice_var_up : 配置是否切分一个参数到多个pserver上进行优化,默认开启。此选项适用于模型参数个数少,但需要使用大量节点的场景,有利于提升pserver端计算并行度
  • split_method : 配置transpiler分配参数(或参数的切片)到多个pserver的方式,默认为”RoundRobin”,也可以使用”HashName”
  • min_block_size : 如果配置了参数切分,指定最小Tensor的切分大小,防止RPC请求包过小,默认为8192,一般情况不需要调整此项参数
  • enable_dc_asgd : 是否开启 DC-ASGD 此选项在异步训练中生效,启用异步训练补偿算法
  • mode : 可以选择”pserver”或”nccl2”,指定使用pserver模式或NCCL2模式分布式训练
  • print_log : 是否开启transpiler debug日志,此项为开发调试使用

通用环境变量配置:

  • FLAGS_rpc_send_thread_num :int,指定RPC通信发送时线程的个数
  • FLAGS_rpc_get_thread_num : int,指定RPC通信接受时线程的个数
  • FLAGS_rpc_prefetch_thread_num : int,分布式lookup table执行RPC通信时,prefetch线程的个数
  • FLAGS_rpc_deadline : int,RPC通信最长等待时间,单位为毫秒,默认180000

NCCL2模式分布式训练

基于NCCL2 (Collective Communication) 的多机同步训练模式,仅支持在GPU集群下进行。 此部分详细API说明可以参考 DistributeTranspiler 。

注意:NCCL2模式下,集群不需要启动pserver,只需要启动多个trainer节点即可。

使用以下代码,将当前 Program 转化成适用于NCCL2分布式计算的Fluid Program

  1. config = fluid.DistributeTranspilerConfig()
  2. config.mode = "nccl2"
  3. t = fluid.DistributeTranspiler(config=config)
  4. t.transpile(trainer_id,
  5. program=main_program,
  6. startup_program=startup_program,
  7. trainers="192.168.0.1:6174,192.168.0.2:6174",
  8. current_endpoint="192.168.0.1:6174")

其中:

  • trainer_id : trainer节点的id,从0到n-1,n为当前训练任务中trainer节点的个数
  • programstartup_program : 分别为Fluid 模型的主配置program和初始化startup_program
  • trainers : 字符串类型,指定当前任务所有trainer的IP和端口号,仅用于NCCL2初始化(pserver模式中,此参数为int,指定trainer节点的个数)
  • current_endpoint : 当前任务的当前节点的IP和端口号