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 pserver 或 trainer 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
  • program 和 startup_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