[分布式訓(xùn)練] 單機(jī)多卡的正確打開方式：理論基礎(chǔ)

轉(zhuǎn)自：https://fyubang.com/2019/07/08/distributed-training/

瓦礫由于最近bert-large用的比較多，踩了很多分布式訓(xùn)練的坑，加上在TensorFlow和PyTorch之間更換，算是熟悉了一下各類框架的分布式訓(xùn)練接口，由于集中在一起講可能比較亂，筆者準(zhǔn)備分三到四篇來講一下深度學(xué)習(xí)的分布式訓(xùn)練。這一篇先講一下“分布式訓(xùn)練的類型與算法”。

分布式訓(xùn)練的需求和重要性不需要多說，隨著GPT、BERT、xlnet這些預(yù)訓(xùn)練模型的出現(xiàn)，普通的16G的顯存已經(jīng)不足以支撐深度學(xué)習(xí)模型訓(xùn)練的要求了，這時候就需要用到分布式訓(xùn)練來提高效率。

注意：這個系列主要介紹單機(jī)多卡的分布式訓(xùn)練情況（這種情況比較常見，土豪和大佬們請忽略）。

總的來說，分布式訓(xùn)練分為這幾類：

• 按照并行方式來分：模型并行 vs 數(shù)據(jù)并行
• 按照更新方式來分：同步更新 vs 異步更新
• 按照算法來分：Parameter Server算法 vs AllReduce算法

模型并行 vs. 數(shù)據(jù)并行

假設(shè)我們有n張GPU：

• 模型并行：不同的GPU輸入相同的數(shù)據(jù)，運(yùn)行模型的不同部分，比如多層網(wǎng)絡(luò)的不同層。
• 數(shù)據(jù)并行：不同的GPU輸入不同的數(shù)據(jù)，運(yùn)行相同的完整模型。

當(dāng)模型非常大，一張GPU已經(jīng)存不下的時候，可以使用模型并行，把模型的不同部分交給不同的機(jī)器負(fù)責(zé)，但是這樣會帶來很大的通信開銷，而且模型并行各個部分存在一定的依賴，規(guī)模伸縮性差。因此，通常一張可以放下一個模型的時候，會采用數(shù)據(jù)并行的方式，各部分獨(dú)立，伸縮性好。

同步更新 vs. 異步更新

對于數(shù)據(jù)并行來說，由于每個GPU負(fù)責(zé)一部分?jǐn)?shù)據(jù)，那就涉及到如果更新參數(shù)的問題，分為同步更新和異步更新兩種方式。

• 同步更新：每個batch所有GPU計算完成后，再統(tǒng)一計算新權(quán)值，然后所有GPU同步新值后，再進(jìn)行下一輪計算。
• 異步更新：每個GPU計算完梯度后，無需等待其他更新，立即更新整體權(quán)值并同步。

同步更新有等待，速度取決于最慢的那個GPU；異步更新沒有等待，但是涉及到更復(fù)雜的梯度過時，loss下降抖動大的問題。所以實(shí)踐中，一般使用同步更新的方式。

Parameter Server算法 vs. Ring AllReduce算法

這里講一下常用的兩種參數(shù)同步的算法：PS 和 Ring AllReduce。

假設(shè)有5張GPU：

• Parameter Server：GPU 0將數(shù)據(jù)分成五份分到各個卡上，每張卡負(fù)責(zé)自己的那一份mini-batch的訓(xùn)練，得到grad后，返回給GPU 0上做累積，得到更新的權(quán)重參數(shù)后，再分發(fā)給各個卡。
• Ring AllReduce：5張以環(huán)形相連，每張卡都有左手卡和右手卡，一個負(fù)責(zé)接收，一個負(fù)責(zé)發(fā)送，循環(huán)4次完成梯度累積，再循環(huán)4次做參數(shù)同步。分為Scatter Reduce和All Gather兩個環(huán)節(jié)。

Parameter Server算法

Parameter Server的思想其實(shí)有點(diǎn)類似于MapReduce，以上講同步異步的時候，都是用的這種算法，但是它存在兩個缺點(diǎn)：

每一輪的訓(xùn)練迭代都需要所有卡都將數(shù)據(jù)同步完做一次Reduce才算結(jié)束，并行的卡很多的時候，木桶效應(yīng)就會很嚴(yán)重，計算效率低。

所有的GPU卡需要和Reducer進(jìn)行數(shù)據(jù)、梯度和參數(shù)的通信，當(dāng)模型較大或者數(shù)據(jù)較大的時候，通信開銷很大。

假設(shè)有$N$個GPU，通信一次完整的參數(shù)所需時間為$K$，那么使用PS架構(gòu)，花費(fèi)的通信成本為：
$$T=2(N?1)K$$
所以我們亟需一種新的算法來提高深度學(xué)習(xí)模型訓(xùn)練的并行效率。

Ring AllReduce算法

2017 年 Facebook 發(fā)布了《Accurate, large minibatch SGD: Training ImageNet in 1 hour 》驗(yàn)證了大數(shù)據(jù)并行的高效性，同年百度發(fā)表了《Bringing HPC techniques to deep learning 》，驗(yàn)證了全新的梯度同步和權(quán)值更新算法的可行性，并提出了一種利用帶寬優(yōu)化環(huán)解決通信問題的方法——Ring AllReduce。

Parameter Service最大的問題就是通信成本和GPU的數(shù)量線性相關(guān)。而Ring AllReduce的通信成本與GPU數(shù)量無關(guān)。Ring AllReduce分為兩個步驟：Scatter Reduce和All Gather。

Scatter Reduce過程：首先，我們將參數(shù)分為N份，相鄰的GPU傳遞不同的參數(shù)，在傳遞N-1次之后，可以得到每一份參數(shù)的累積（在不同的GPU上）。

All Gather：得到每一份參數(shù)的累積之后，再做一次傳遞，同步到所有的GPU上。

根據(jù)這兩個過程，我們可以計算到All Reduce的通信成本為：
$$T=2(N?1)\frac{K}{N}$$
可以看到通信成本T與GPU數(shù)量無關(guān)。

由于All Reduce算法在通信成本上的優(yōu)勢，現(xiàn)在幾個框架基本上都實(shí)現(xiàn)了其對于的官方API，后面幾篇，瓦礫會跟大家一起過一遍TF，Torch的分布式訓(xùn)練API具體是怎么用的，有哪些坑。

Reference

是時候放棄Tensorflow，擁抱Horovod了

Tensorflow單機(jī)多卡實(shí)現(xiàn)

Binging HPC Techniques to Deep Learning

Training Neural Nets on Larger Batches: Practical Tips for 1-GPU, Multi-GPU & Distributed setups

總結(jié)

以上是生活随笔為你收集整理的[分布式训练] 单机多卡的正确打开方式：理论基础的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。