结合分布式数据并行与分布式 RPC 框架¶
创建于：2020 年 7 月 28 日 | 最后更新：2023 年 6 月 6 日 | 最后验证：未验证
作者: Pritam Damania 和 Yi Wang
注意
在 github 中查看和编辑本教程。
本教程使用一个简单的示例来演示如何将 DistributedDataParallel (DDP) 与 分布式 RPC 框架 结合使用，从而将分布式数据并行与分布式模型并行相结合，以训练一个简单的模型。示例的源代码可以在 这里 找到。
之前的教程 分布式数据并行入门 和 分布式 RPC 框架入门 分别描述了如何执行分布式数据并行和分布式模型并行训练。尽管如此，在一些训练范例中，您可能希望结合这两种技术。例如：
如果我们有一个包含稀疏部分（大型嵌入表）和密集部分（FC 层）的模型，我们可能希望将嵌入表放在参数服务器上，并使用 DistributedDataParallel 在多个训练器上复制 FC 层。 分布式 RPC 框架 可用于在参数服务器上执行嵌入查找。
启用 PipeDream 论文中描述的混合并行性。我们可以使用 分布式 RPC 框架 将模型的各个阶段通过流水线方式分布到多个工作进程，并使用 DistributedDataParallel 复制每个阶段（如果需要）。
在本教程中，我们将介绍上面提到的案例 1。我们的设置中共有 4 个工作进程，如下所示：
1 个主节点，负责在参数服务器上创建嵌入表 (nn.EmbeddingBag)。主节点还驱动两个训练器上的训练循环。
1 个参数服务器，它基本上将嵌入表保存在内存中，并响应来自主节点和训练器的 RPC。
2 个训练器，它们存储一个 FC 层 (nn.Linear)，该层使用 DistributedDataParallel 在它们之间复制。训练器还负责执行前向传播、反向传播和优化器步骤。
整个训练过程执行如下：
主节点创建一个 RemoteModule，该模块在参数服务器上保存一个嵌入表。
然后，主节点在训练器上启动训练循环，并将远程模块传递给训练器。
训练器创建一个
HybridModel，它首先使用主节点提供的远程模块执行嵌入查找，然后执行包装在 DDP 中的 FC 层。训练器执行模型的前向传播，并使用损失来使用 分布式 Autograd 执行反向传播。
作为反向传播的一部分，首先计算 FC 层的梯度，并通过 DDP 中的 allreduce 同步到所有训练器。
接下来，分布式 Autograd 将梯度传播到参数服务器，在那里更新嵌入表的梯度。
最后，使用 分布式优化器 更新所有参数。
注意
如果您要结合 DDP 和 RPC，则应始终使用 分布式 Autograd 进行反向传播。
现在，让我们详细了解每个部分。首先，我们需要设置所有工作进程，然后才能执行任何训练。我们创建 4 个进程，其中 rank 0 和 1 是我们的训练器，rank 2 是主节点，rank 3 是参数服务器。
我们使用 TCP init_method 在所有 4 个工作进程上初始化 RPC 框架。完成 RPC 初始化后，主节点使用 RemoteModule 在参数服务器上创建一个远程模块，该模块保存一个 EmbeddingBag 层。然后，主节点循环遍历每个训练器，并通过使用 rpc_async 在每个训练器上调用 _run_trainer 来启动训练循环。最后，主节点等待所有训练完成，然后退出。
训练器首先使用 init_process_group 初始化世界大小为 2（对于两个训练器）的 DDP 的 ProcessGroup。接下来，他们使用 TCP init_method 初始化 RPC 框架。请注意，RPC 初始化和 ProcessGroup 初始化中的端口是不同的。这是为了避免两个框架初始化之间的端口冲突。完成初始化后，训练器只需等待来自主节点的 _run_trainer RPC。
参数服务器仅初始化 RPC 框架并等待来自训练器和主节点的 RPC。
def run_worker(rank, world_size):
r"""
A wrapper function that initializes RPC, calls the function, and shuts down
RPC.
"""
# We need to use different port numbers in TCP init_method for init_rpc and
# init_process_group to avoid port conflicts.
rpc_backend_options = TensorPipeRpcBackendOptions()
rpc_backend_options.init_method = "tcp://127.0.0.1:29501"
# Rank 2 is master, 3 is ps and 0 and 1 are trainers.
if rank == 2:
rpc.init_rpc(
"master",
rank=rank,
world_size=world_size,
rpc_backend_options=rpc_backend_options,
)
remote_emb_module = RemoteModule(
"ps",
torch.nn.EmbeddingBag,
args=(NUM_EMBEDDINGS, EMBEDDING_DIM),
kwargs={"mode": "sum"},
)
# Run the training loop on trainers.
futs = []
for trainer_rank in [0, 1]:
trainer_name = "trainer{}".format(trainer_rank)
fut = rpc.rpc_async(
trainer_name, _run_trainer, args=(remote_emb_module, trainer_rank)
)
futs.append(fut)
# Wait for all training to finish.
for fut in futs:
fut.wait()
elif rank <= 1:
# Initialize process group for Distributed DataParallel on trainers.
dist.init_process_group(
backend="gloo", rank=rank, world_size=2, init_method="tcp://127.0.0.1:29500"
)
# Initialize RPC.
trainer_name = "trainer{}".format(rank)
rpc.init_rpc(
trainer_name,
rank=rank,
world_size=world_size,
rpc_backend_options=rpc_backend_options,
)
# Trainer just waits for RPCs from master.
else:
rpc.init_rpc(
"ps",
rank=rank,
world_size=world_size,
rpc_backend_options=rpc_backend_options,
)
# parameter server do nothing
pass
# block until all rpcs finish
rpc.shutdown()
if __name__ == "__main__":
# 2 trainers, 1 parameter server, 1 master.
world_size = 4
mp.spawn(run_worker, args=(world_size,), nprocs=world_size, join=True)
在我们讨论训练器的详细信息之前，让我们介绍训练器使用的 HybridModel。如下所述，HybridModel 使用一个远程模块（remote_emb_module）初始化，该模块在参数服务器上保存一个嵌入表，并使用 device 来用于 DDP。模型的初始化将 nn.Linear 层包装在 DDP 中，以在所有训练器之间复制和同步该层。
模型的前向方法非常简单。它使用 RemoteModule 的 forward 在参数服务器上执行嵌入查找，并将其输出传递到 FC 层。
class HybridModel(torch.nn.Module):
r"""
The model consists of a sparse part and a dense part.
1) The dense part is an nn.Linear module that is replicated across all trainers using DistributedDataParallel.
2) The sparse part is a Remote Module that holds an nn.EmbeddingBag on the parameter server.
This remote model can get a Remote Reference to the embedding table on the parameter server.
"""
def __init__(self, remote_emb_module, device):
super(HybridModel, self).__init__()
self.remote_emb_module = remote_emb_module
self.fc = DDP(torch.nn.Linear(16, 8).cuda(device), device_ids=[device])
self.device = device
def forward(self, indices, offsets):
emb_lookup = self.remote_emb_module.forward(indices, offsets)
return self.fc(emb_lookup.cuda(self.device))
接下来，让我们看一下训练器上的设置。训练器首先使用一个远程模块创建一个上面描述的 HybridModel，该远程模块在参数服务器上保存嵌入表及其自身的 rank。
现在，我们需要检索要使用 DistributedOptimizer 优化的所有参数的 RRef 列表。要从参数服务器检索嵌入表的参数，我们可以调用 RemoteModule 的 remote_parameters，它基本上遍历嵌入表的所有参数并返回 RRef 列表。训练器通过 RPC 在参数服务器上调用此方法，以接收所需参数的 RRef 列表。由于 DistributedOptimizer 始终接收需要优化的参数的 RRef 列表，因此即使对于我们的 FC 层的本地参数，我们也需要创建 RRef。这是通过遍历 model.fc.parameters()，为每个参数创建一个 RRef 并将其附加到从 remote_parameters() 返回的列表中来完成的。请注意，我们不能使用 model.parameters()，因为它会递归调用 model.remote_emb_module.parameters()，而 RemoteModule 不支持此操作。
最后，我们使用所有 RRef 创建 DistributedOptimizer，并定义一个 CrossEntropyLoss 函数。
def _run_trainer(remote_emb_module, rank):
r"""
Each trainer runs a forward pass which involves an embedding lookup on the
parameter server and running nn.Linear locally. During the backward pass,
DDP is responsible for aggregating the gradients for the dense part
(nn.Linear) and distributed autograd ensures gradients updates are
propagated to the parameter server.
"""
# Setup the model.
model = HybridModel(remote_emb_module, rank)
# Retrieve all model parameters as rrefs for DistributedOptimizer.
# Retrieve parameters for embedding table.
model_parameter_rrefs = model.remote_emb_module.remote_parameters()
# model.fc.parameters() only includes local parameters.
# NOTE: Cannot call model.parameters() here,
# because this will call remote_emb_module.parameters(),
# which supports remote_parameters() but not parameters().
for param in model.fc.parameters():
model_parameter_rrefs.append(RRef(param))
# Setup distributed optimizer
opt = DistributedOptimizer(
optim.SGD,
model_parameter_rrefs,
lr=0.05,
)
criterion = torch.nn.CrossEntropyLoss()
现在我们准备介绍在每个训练器上运行的主要训练循环。get_next_batch 只是一个辅助函数，用于生成随机输入和目标以进行训练。我们运行多个 epoch 的训练循环，对于每个批次：
为分布式 Autograd 设置一个 分布式 Autograd Context。
运行模型的前向传播并检索其输出。
使用损失函数根据我们的输出和目标计算损失。
使用分布式 Autograd 使用损失执行分布式反向传播。
最后，运行分布式优化器步骤以优化所有参数。
def get_next_batch(rank):
for _ in range(10):
num_indices = random.randint(20, 50)
indices = torch.LongTensor(num_indices).random_(0, NUM_EMBEDDINGS)
# Generate offsets.
offsets = []
start = 0
batch_size = 0
while start < num_indices:
offsets.append(start)
start += random.randint(1, 10)
batch_size += 1
offsets_tensor = torch.LongTensor(offsets)
target = torch.LongTensor(batch_size).random_(8).cuda(rank)
yield indices, offsets_tensor, target
# Train for 100 epochs
for epoch in range(100):
# create distributed autograd context
for indices, offsets, target in get_next_batch(rank):
with dist_autograd.context() as context_id:
output = model(indices, offsets)
loss = criterion(output, target)
# Run distributed backward pass
dist_autograd.backward(context_id, [loss])
# Tun distributed optimizer
opt.step(context_id)
# Not necessary to zero grads as each iteration creates a different
# distributed autograd context which hosts different grads
print("Training done for epoch {}".format(epoch))
整个示例的源代码可以在 这里 找到。
