Fully Sharded Data Parallel (FSDP) 入门¶
创建于：2022 年 3 月 17 日 | 最后更新：2025 年 1 月 23 日 | 最后验证：2024 年 11 月 05 日
作者: Hamid Shojanazeri, Yanli Zhao, Shen Li
注意
在 github 上查看和编辑本教程。
大规模训练 AI 模型是一项具有挑战性的任务，需要大量的计算能力和资源。处理这些超大型模型的训练也带来了相当大的工程复杂性。PyTorch 1.11 中发布的 PyTorch FSDP 使这一切变得更容易。
在本教程中，我们将展示如何使用 FSDP API，用于简单的 MNIST 模型，这些模型可以扩展到其他更大的模型，例如 HuggingFace BERT 模型，高达 1T 参数的 GPT 3 模型 。示例 DDP MNIST 代码由 Patrick Hu 提供。
FSDP 的工作原理¶
在 DistributedDataParallel (DDP) 训练中，每个进程/工作进程拥有一个模型副本并处理一批数据，最后它使用 all-reduce 来汇总不同工作进程的梯度。在 DDP 中，模型权重和优化器状态在所有工作进程中复制。FSDP 是一种数据并行类型，它在 DDP 排名中对模型参数、优化器状态和梯度进行分片。
当使用 FSDP 进行训练时，所有工作进程的 GPU 内存占用量都小于使用 DDP 进行训练时的内存占用量。这使得训练一些非常大的模型成为可能，因为它允许更大的模型或批量大小适应设备。但这带来了通信量增加的代价。通过内部优化（如重叠通信和计算）来减少通信开销。
FSDP 工作流程¶
在高层次上，FSDP 的工作原理如下
在构造函数中
对模型参数进行分片，每个排名只保留自己的分片
在前向路径中
运行 all_gather 从所有排名收集所有分片，以恢复此 FSDP 单元中的完整参数
运行前向计算
丢弃刚刚收集的参数分片
在后向路径中
运行 all_gather 从所有排名收集所有分片，以恢复此 FSDP 单元中的完整参数
运行后向计算
运行 reduce_scatter 以同步梯度
丢弃参数。
查看 FSDP 分片的一种方法是将 DDP 梯度 all-reduce 分解为 reduce-scatter 和 all-gather。具体来说，在反向传播期间，FSDP 减少和分散梯度，确保每个排名都拥有梯度分片。然后，它在优化器步骤中更新参数的相应分片。最后，在随后的前向传播中，它执行 all-gather 操作以收集和组合更新后的参数分片。
FSDP Allreduce¶
如何使用 FSDP¶
在这里，我们使用玩具模型在 MNIST 数据集上运行训练以进行演示。API 和逻辑也可以应用于训练更大的模型。
设置
1.1 安装 PyTorch 以及 Torchvision
有关安装的信息，请参阅入门指南。
我们将以下代码片段添加到 python 脚本 “FSDP_mnist.py” 中。
1.2 导入必要的包
注意
本教程适用于 PyTorch 1.12 及更高版本。如果您使用的是早期版本，请将所有 size_based_auto_wrap_policy 实例替换为 default_auto_wrap_policy，并将 fsdp_auto_wrap_policy 替换为 auto_wrap_policy。
# Based on: https://github.com/pytorch/examples/blob/master/mnist/main.py
import os
import argparse
import functools
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
import torch.distributed as dist
import torch.multiprocessing as mp
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.data.distributed import DistributedSampler
from torch.distributed.fsdp import FullyShardedDataParallel as FSDP
from torch.distributed.fsdp.fully_sharded_data_parallel import (
CPUOffload,
BackwardPrefetch,
)
from torch.distributed.fsdp.wrap import (
size_based_auto_wrap_policy,
enable_wrap,
wrap,
)
1.3 分布式训练设置。正如我们提到的，FSDP 是一种数据并行类型，它需要分布式训练环境，因此这里我们使用两个辅助函数来初始化分布式训练的进程并进行清理。
def setup(rank, world_size):
os.environ['MASTER_ADDR'] = 'localhost'
os.environ['MASTER_PORT'] = '12355'
# initialize the process group
dist.init_process_group("nccl", rank=rank, world_size=world_size)
def cleanup():
dist.destroy_process_group()
2.1 定义我们的用于手写数字分类的玩具模型。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
2.2 定义训练函数
def train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=None):
model.train()
ddp_loss = torch.zeros(2).to(rank)
if sampler:
sampler.set_epoch(epoch)
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(rank), target.to(rank)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target, reduction='sum')
loss.backward()
optimizer.step()
ddp_loss[0] += loss.item()
ddp_loss[1] += len(data)
dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)
if rank == 0:
print('Train Epoch: {} \tLoss: {:.6f}'.format(epoch, ddp_loss[0] / ddp_loss[1]))
2.3 定义验证函数
def test(model, rank, world_size, test_loader):
model.eval()
correct = 0
ddp_loss = torch.zeros(3).to(rank)
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(rank), target.to(rank)
output = model(data)
ddp_loss[0] += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
ddp_loss[1] += pred.eq(target.view_as(pred)).sum().item()
ddp_loss[2] += len(data)
dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)
if rank == 0:
test_loss = ddp_loss[0] / ddp_loss[2]
print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)\n'.format(
test_loss, int(ddp_loss[1]), int(ddp_loss[2]),
100. * ddp_loss[1] / ddp_loss[2]))
2.4 定义一个分布式训练函数，该函数在 FSDP 中包装模型
注意：要保存 FSDP 模型，我们需要在每个排名上调用 state_dict，然后在排名 0 上保存整体状态。
def fsdp_main(rank, world_size, args):
setup(rank, world_size)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('../data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('../data', train=False,
transform=transform)
sampler1 = DistributedSampler(dataset1, rank=rank, num_replicas=world_size, shuffle=True)
sampler2 = DistributedSampler(dataset2, rank=rank, num_replicas=world_size)
train_kwargs = {'batch_size': args.batch_size, 'sampler': sampler1}
test_kwargs = {'batch_size': args.test_batch_size, 'sampler': sampler2}
cuda_kwargs = {'num_workers': 2,
'pin_memory': True,
'shuffle': False}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
my_auto_wrap_policy = functools.partial(
size_based_auto_wrap_policy, min_num_params=100
)
torch.cuda.set_device(rank)
init_start_event = torch.cuda.Event(enable_timing=True)
init_end_event = torch.cuda.Event(enable_timing=True)
model = Net().to(rank)
model = FSDP(model)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
init_start_event.record()
for epoch in range(1, args.epochs + 1):
train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=sampler1)
test(model, rank, world_size, test_loader)
scheduler.step()
init_end_event.record()
if rank == 0:
init_end_event.synchronize()
print(f"CUDA event elapsed time: {init_start_event.elapsed_time(init_end_event) / 1000}sec")
print(f"{model}")
if args.save_model:
# use a barrier to make sure training is done on all ranks
dist.barrier()
states = model.state_dict()
if rank == 0:
torch.save(states, "mnist_cnn.pt")
cleanup()
2.5 最后，解析参数并设置主函数
if __name__ == '__main__':
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()
torch.manual_seed(args.seed)
WORLD_SIZE = torch.cuda.device_count()
mp.spawn(fsdp_main,
args=(WORLD_SIZE, args),
nprocs=WORLD_SIZE,
join=True)
我们记录了 cuda 事件以测量 FSDP 模型特定操作的时间。CUDA 事件时间为 110.85 秒。
python FSDP_mnist.py
CUDA event elapsed time on training loop 40.67462890625sec
使用 FSDP 包装模型后，模型将如下所示，我们可以看到该模型已包装在一个 FSDP 单元中。或者，我们将查看接下来添加 auto_wrap_policy，并将讨论差异。
FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Net(
(conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
(conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
(dropout1): Dropout(p=0.25, inplace=False)
(dropout2): Dropout(p=0.5, inplace=False)
(fc1): Linear(in_features=9216, out_features=128, bias=True)
(fc2): Linear(in_features=128, out_features=10, bias=True)
)
)
)
以下是来自 PyTorch Profiler 捕获的在具有 4 个 GPU 的 g4dn.12.xlarge AWS EC2 实例上进行的 FSDP MNIST 训练的峰值内存使用情况。
FSDP 峰值内存使用量¶
在 FSDP 中应用auto_wrap_policy，否则，FSDP 会将整个模型放在一个 FSDP 单元中，这将降低计算效率和内存效率。它的工作原理是，假设你的模型包含 100 个线性层。如果你执行 FSDP(model)，则只有一个 FSDP 单元包装整个模型。在这种情况下，allgather 将收集所有 100 个线性层的完整参数，因此不会为参数分片节省 CUDA 内存。此外，对于所有 100 个线性层只有一个阻塞 allgather 调用，层之间不会有通信和计算重叠。
为了避免这种情况，你可以传入 auto_wrap_policy，当满足指定条件（例如，大小限制）时，它将密封当前的 FSDP 单元并自动启动一个新的单元。通过这种方式，你将拥有多个 FSDP 单元，并且一次只需要一个 FSDP 单元来收集完整参数。例如，假设你有 5 个 FSDP 单元，每个单元包装 20 个线性层。然后，在前向传播中，第 1 个 FSDP 单元将 allgather 前 20 个线性层的参数，进行计算，丢弃参数，然后继续处理接下来的 20 个线性层。因此，在任何时间点，每个排名都只物化 20 个线性层而不是 100 个线性层的参数/梯度。
为了在 2.4 中做到这一点，我们定义了 auto_wrap_policy 并将其传递给 FSDP 包装器，在以下示例中，my_auto_wrap_policy 定义如果此层中的参数数量大于 100，则该层可以被 FSDP 包装或分片。如果此层中的参数数量小于 100，它将被 FSDP 与其他小层一起包装。找到最佳的自动包装策略具有挑战性，PyTorch 将在未来为此配置添加自动调优。在没有自动调优工具的情况下，最好通过实验使用不同的自动包装策略来分析你的工作流程，并找到最佳策略。
my_auto_wrap_policy = functools.partial(
size_based_auto_wrap_policy, min_num_params=20000
)
torch.cuda.set_device(rank)
model = Net().to(rank)
model = FSDP(model,
auto_wrap_policy=my_auto_wrap_policy)
应用 auto_wrap_policy 后，模型将如下所示
FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Net(
(conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
(conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
(dropout1): Dropout(p=0.25, inplace=False)
(dropout2): Dropout(p=0.5, inplace=False)
(fc1): FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
(_fpw_module): Linear(in_features=9216, out_features=128, bias=True)
)
)
(fc2): Linear(in_features=128, out_features=10, bias=True)
)
)
python FSDP_mnist.py
CUDA event elapsed time on training loop 41.89130859375sec
以下是来自 PyTorch Profiler 捕获的在具有 4 个 GPU 的 g4dn.12.xlarge AWS EC2 实例上进行的 MNIST 训练的 FSDP 与 auto_wrap 策略的峰值内存使用情况。可以观察到，与未应用 auto_wrap 策略的 FSDP 相比，每个设备上的峰值内存使用量更小，从约 75 MB 降至 66 MB。
使用 Auto_wrap 策略的 FSDP 峰值内存使用量¶
CPU 卸载：如果模型非常大，即使使用 FSDP 也无法放入 GPU，则 CPU 卸载可能在此处有所帮助。
目前，仅支持参数和梯度 CPU 卸载。可以通过传入 cpu_offload=CPUOffload(offload_params=True) 来启用它。
请注意，这目前隐式地启用了梯度卸载到 CPU，以便参数和梯度位于同一设备上以与优化器一起工作。此 API 可能会发生变化。默认值为 None，在这种情况下，不会进行卸载。
使用此功能可能会显着减慢训练速度，因为需要频繁地将张量从主机复制到设备，但它可以帮助提高内存效率并训练更大规模的模型。
在 2.4 中，我们只需将其添加到 FSDP 包装器
model = FSDP(model,
auto_wrap_policy=my_auto_wrap_policy,
cpu_offload=CPUOffload(offload_params=True))
将其与 DDP 进行比较，如果在 2.4 中我们只是正常地在 DPP 中包装模型，则保存 “DDP_mnist.py” 中的更改。
model = Net().to(rank)
model = DDP(model)
python DDP_mnist.py
CUDA event elapsed time on training loop 39.77766015625sec
以下是来自 PyTorch 分析器捕获的在具有 4 个 GPU 的 g4dn.12.xlarge AWS EC2 实例上进行的 DDP MNIST 训练的峰值内存使用情况。
使用 Auto_wrap 策略的 DDP 峰值内存使用量¶
考虑到我们在此处定义的玩具示例和微小的 MNIST 模型，我们可以观察到 DDP 和 FSDP 之间的峰值内存使用量差异。在 DDP 中，每个进程都持有一个模型副本，因此与 FSDP 相比，内存占用量更高，FSDP 在 DDP 排名中对模型参数、优化器状态和梯度进行分片。使用带有 auto_wrap 策略的 FSDP 的峰值内存使用量最低，其次是 FSDP 和 DDP。
此外，查看时间，考虑到小型模型并在单台机器上运行训练，带有和不带有 auto_wrap 策略的 FSDP 的性能几乎与 DDP 一样快。此示例不代表大多数实际应用，有关 DDP 和 FSDP 之间详细分析和比较，请参阅此博客文章。
