分布式优化器

警告

当前使用 CUDA 张量时不支持分布式优化器

torch.distributed.optim 公开 DistributedOptimizer，它接受远程参数列表 (RRef) 并在参数所在的 worker 上本地运行优化器。分布式优化器可以使用任何本地优化器 基类 来在每个 worker 上应用梯度。

class torch.distributed.optim.DistributedOptimizer(optimizer_class, params_rref, *args, **kwargs)

DistributedOptimizer 接受分散在 worker 上的参数的远程引用，并在每个参数上本地应用给定的优化器。

此类使用 get_gradients() 来检索特定参数的梯度。

对 step() 的并发调用（无论来自同一个客户端还是不同的客户端）将在每个 worker 上被序列化，因为每个 worker 的优化器一次只能处理一组梯度。但是，不能保证一个客户端每次会执行完整的正向-反向-优化器序列。这意味着，应用的梯度可能与在给定 worker 上执行的最新正向传递不对应。此外，没有保证 worker 之间的排序。

DistributedOptimizer 默认情况下使用启用了 TorchScript 创建本地优化器，这样优化器更新就不会被多线程训练（例如，分布式模型并行）中的 Python 全局解释器锁 (GIL) 阻塞。此功能目前已在大多数优化器中启用。您也可以按照 此食谱 在 PyTorch 教程中为您的自定义优化器启用 TorchScript 支持。

参数

• optimizer_class (optim.Optimizer) – 要在每个 worker 上实例化的优化器类。

• params_rref (list[RRef]) – 要优化的本地或远程参数的 RRef 列表。

• args – 传递给每个 worker 上的优化器构造函数的参数。

• kwargs – 传递给每个 worker 上的优化器构造函数的参数。

示例：

>>> import torch.distributed.autograd as dist_autograd
>>> import torch.distributed.rpc as rpc
>>> from torch import optim
>>> from torch.distributed.optim import DistributedOptimizer
>>>
>>> with dist_autograd.context() as context_id:
>>>   # Forward pass.
>>>   rref1 = rpc.remote("worker1", torch.add, args=(torch.ones(2), 3))
>>>   rref2 = rpc.remote("worker1", torch.add, args=(torch.ones(2), 1))
>>>   loss = rref1.to_here() + rref2.to_here()
>>>
>>>   # Backward pass.
>>>   dist_autograd.backward(context_id, [loss.sum()])
>>>
>>>   # Optimizer.
>>>   dist_optim = DistributedOptimizer(
>>>      optim.SGD,
>>>      [rref1, rref2],
>>>      lr=0.05,
>>>   )
>>>   dist_optim.step(context_id)

step(context_id)

执行单个优化步骤。

这将在包含要优化的参数的每个 worker 上调用 torch.optim.Optimizer.step()，并且将在所有 worker 返回之前阻塞。提供的 context_id 将用于检索包含应应用于参数的梯度的相应 context。

参数

context_id – 应该为其运行优化器步骤的自动微分上下文 ID。

class torch.distributed.optim.PostLocalSGDOptimizer(optim, averager)

包装任意 torch.optim.Optimizer 并运行 后本地 SGD。此优化器在每个步骤都运行本地优化器。在预热阶段之后，它将在应用本地优化器后定期对参数进行平均。

参数

• optim (Optimizer) – 本地优化器。

• averager (ModelAverager) – 用于运行后本地 SGD 算法的模型平均器实例。

示例

>>> import torch
>>> import torch.distributed as dist
>>> import torch.distributed.algorithms.model_averaging.averagers as averagers
>>> import torch.nn as nn
>>> from torch.distributed.optim import PostLocalSGDOptimizer
>>> from torch.distributed.algorithms.ddp_comm_hooks.post_localSGD_hook import (
>>>   PostLocalSGDState,
>>>   post_localSGD_hook,
>>> )
>>>
>>> model = nn.parallel.DistributedDataParallel(
>>>    module, device_ids=[rank], output_device=rank
>>> )
>>>
>>> # Register a post-localSGD communication hook.
>>> state = PostLocalSGDState(process_group=None, subgroup=None, start_localSGD_iter=100)
>>> model.register_comm_hook(state, post_localSGD_hook)
>>>
>>> # Create a post-localSGD optimizer that wraps a local optimizer.
>>> # Note that ``warmup_steps`` used in ``PostLocalSGDOptimizer`` must be the same as
>>> # ``start_localSGD_iter`` used in ``PostLocalSGDState``.
>>> local_optim = torch.optim.SGD(params=model.parameters(), lr=0.01)
>>> opt = PostLocalSGDOptimizer(
>>>     optim=local_optim,
>>>     averager=averagers.PeriodicModelAverager(period=4, warmup_steps=100)
>>> )
>>>
>>> # In the first 100 steps, DDP runs global gradient averaging at every step.
>>> # After 100 steps, DDP runs gradient averaging within each subgroup (intra-node by default),
>>> # and post-localSGD optimizer runs global model averaging every 4 steps after applying the local optimizer.
>>> for step in range(0, 200):
>>>    opt.zero_grad()
>>>    loss = loss_fn(output, labels)
>>>    loss.backward()
>>>    opt.step()

load_state_dict(state_dict)

此方法与 torch.optim.Optimizer 的 load_state_dict() 相同，但还会将模型平均器的步数恢复到所提供的 state_dict 中保存的值。

如果 state_dict 中没有 "step" 条目，它会发出警告并将模型平均器的步数初始化为 0。

state_dict()

此方法与 torch.optim.Optimizer 的 state_dict() 相同，但会在检查点中添加一个额外的条目来记录模型平均器的步数，以确保重新加载不会再次导致不必要的预热。

step()

执行单个优化步骤（参数更新）。

class torch.distributed.optim.ZeroRedundancyOptimizer(params, optimizer_class, process_group=None, parameters_as_bucket_view=False, overlap_with_ddp=False, **defaults)

包装任意 optim.Optimizer 并将其状态在组中的各个秩上进行分片。

共享方式如 ZeRO 文档中所述。

每个秩上的本地优化器实例只负责更新大约 1 / world_size 个参数，因此只需要保留 1 / world_size 个优化器状态。在本地更新参数后，每个秩会将其参数广播到所有其他对等体，以保持所有模型副本处于相同状态。 ZeroRedundancyOptimizer 可以与 torch.nn.parallel.DistributedDataParallel 结合使用，以减少每个秩的峰值内存消耗。

ZeroRedundancyOptimizer 使用一种排序贪心算法来在每个秩上打包多个参数。每个参数属于单个秩，不会在各个秩之间分割。分区是任意的，可能与参数注册或使用顺序不匹配。

参数

params (Iterable) – 一个 Iterable，包含所有参数的 torch.Tensor 或 dict，这些参数将在各个秩上进行分片。

关键字参数

• optimizer_class (torch.nn.Optimizer) – 本地优化器的类。

• process_group (ProcessGroup, optional) – torch.distributed ProcessGroup（默认值：由 torch.distributed.init_process_group() 初始化的 dist.group.WORLD）。

• parameters_as_bucket_view (bool, optional) – 如果为 True，则将参数打包到桶中以加快通信速度，并且 param.data 字段指向不同偏移量的桶视图；如果为 False，则单独通信每个参数，并且每个 params.data 保持不变（默认值：False）。

• overlap_with_ddp (bool, optional) – 如果为 True，则将 step() 与 DistributedDataParallel 的梯度同步重叠；这需要 (1) optimizer_class 参数为函数式优化器或具有函数式等效优化器，以及 (2) 注册一个 DDP 通信钩子，该钩子由 ddp_zero_hook.py 中的某个函数构建；参数打包到与 DistributedDataParallel 中的桶匹配的桶中，这意味着将忽略 parameters_as_bucket_view 参数。如果为 False，则 step() 在反向传播完成后（按常规方式）独立运行。（默认值：False）

• **defaults – 任何尾随参数，将转发到本地优化器。

示例

>>> import torch.nn as nn
>>> from torch.distributed.optim import ZeroRedundancyOptimizer
>>> from torch.nn.parallel import DistributedDataParallel as DDP
>>> model = nn.Sequential(*[nn.Linear(2000, 2000).to(rank) for _ in range(20)])
>>> ddp = DDP(model, device_ids=[rank])
>>> opt = ZeroRedundancyOptimizer(
>>>     ddp.parameters(),
>>>     optimizer_class=torch.optim.Adam,
>>>     lr=0.01
>>> )
>>> ddp(inputs).sum().backward()
>>> opt.step()

警告

目前，ZeroRedundancyOptimizer 要求所有传入的参数都是相同的密集类型。

警告

如果传递 overlap_with_ddp=True，请注意以下事项：由于当前实现 DistributedDataParallel 与 ZeroRedundancyOptimizer 重叠的方式，前两个或三个训练迭代不会在优化器步骤中执行参数更新，具体取决于 static_graph=False 或 static_graph=True，分别。这是因为它需要有关 DistributedDataParallel 使用的梯度分桶策略的信息，该信息在第二次正向传播之前（如果 static_graph=False）或第三次正向传播之前（如果 static_graph=True）不会最终确定。为了调整这一点，一个选择是在开头添加虚拟输入。

警告

ZeroRedundancyOptimizer 处于实验阶段，可能随时更改。

add_param_group(param_group)

将参数组添加到 Optimizer 的 param_groups 中。

这在微调预训练网络时很有用，因为冻结层可以变得可训练并随着训练的进行添加到 Optimizer 中。

参数

param_group (dict) – 指定要优化的参数和特定于组的优化选项。

警告

此方法处理更新所有分区上的分片，但需要在所有秩上调用。在部分秩上调用此方法会导致训练挂起，因为通信原语是根据管理的参数调用的，并期望所有秩都参与同一组参数。

consolidate_state_dict(to=0)

在目标秩上整合 state_dict 列表（每个秩一个）。

参数

to (int) – 接收优化器状态的秩（默认值：0）。

引发

RuntimeError – 如果 overlap_with_ddp=True 并且此方法在 ZeroRedundancyOptimizer 实例完全初始化之前被调用，则会发生这种情况，一旦 DistributedDataParallel 梯度桶被重建。

警告

这需要在所有等级上调用。

property join_device: device

返回默认设备。

join_hook(**kwargs)

返回 ZeRO 连接钩子。

它通过在优化器步骤中对集体通信进行遮蔽，使得在不均匀的输入上进行训练成为可能。

在调用此钩子之前，必须正确设置梯度。

参数

kwargs (dict) – 一个 dict，其中包含任何关键字参数，用于在运行时修改连接钩子的行为；所有共享相同连接上下文管理器 Joinable 实例都会为 kwargs 转发相同的值。

此钩子不支持任何关键字参数；也就是说，kwargs 未使用。

property join_process_group: Any

返回进程组。

load_state_dict(state_dict)

从输入的 state_dict 中加载与给定等级相关的状态，根据需要更新本地优化器。

参数

state_dict (dict) – 优化器状态；应该是从 state_dict() 调用返回的对象。

引发

RuntimeError – 如果 overlap_with_ddp=True 并且此方法在 ZeroRedundancyOptimizer 实例完全初始化之前被调用，则会发生这种情况，一旦 DistributedDataParallel 梯度桶被重建。

state_dict()

返回此等级知道的最后一个全局优化器状态。

引发

RuntimeError – 如果 overlap_with_ddp=True 并且此方法在 ZeroRedundancyOptimizer 实例完全初始化之前被调用，则会发生这种情况，一旦 DistributedDataParallel 梯度桶被重建；或者如果在调用此方法之前没有调用 consolidate_state_dict()。

返回类型

Dict[str, Any]

step(closure=None, **kwargs)

执行单个优化器步骤，并在所有等级之间同步参数。

参数

closure (Callable) – 一个闭包，重新评估模型并返回损失；对于大多数优化器来说是可选的。

返回

取决于底层本地优化器的可选损失。

返回类型

Optional[float]