单机模型并行最佳实践

作者：李申

模型并行广泛应用于分布式训练技术中。之前的文章解释了如何使用 DataParallel 在多个 GPU 上训练神经网络；此功能将相同的模型复制到所有 GPU，每个 GPU 使用输入数据的不同分区。虽然它可以显着加快训练过程，但它不适用于模型太大而无法放入单个 GPU 的某些用例。本文展示了如何通过使用**模型并行**来解决此问题，与 DataParallel 相比，它将单个模型拆分到不同的 GPU 上，而不是将整个模型复制到每个 GPU 上（具体来说，假设模型 m 包含 10 层：使用 DataParallel 时，每个 GPU 将拥有这 10 层中的每一层的副本，而当在两个 GPU 上使用模型并行时，每个 GPU 可以承载 5 层）。

模型并行的高级思想是将模型的不同子网络放置到不同的设备上，并相应地实现 forward 方法以在设备之间移动中间输出。由于只有模型的一部分在任何单个设备上运行，因此一组设备可以协同服务于更大的模型。在这篇文章中，我们不会尝试构建巨大的模型并将它们压缩到有限数量的 GPU 中。相反，本文重点展示模型并行的思想。读者可以将这些思想应用到实际应用中。

注意

对于跨越多个服务器的分布式模型并行训练，请参考 分布式 RPC 框架入门 以获取示例和详细信息。

基本用法

让我们从一个包含两个线性层的玩具模型开始。要在两个GPU上运行此模型，只需将每个线性层放在不同的GPU上，并相应地移动输入和中间输出以匹配层设备。

import torch
import torch.nn as nn
import torch.optim as optim


class ToyModel(nn.Module):
    def __init__(self):
        super(ToyModel, self).__init__()
        self.net1 = torch.nn.Linear(10, 10).to('cuda:0')
        self.relu = torch.nn.ReLU()
        self.net2 = torch.nn.Linear(10, 5).to('cuda:1')

    def forward(self, x):
        x = self.relu(self.net1(x.to('cuda:0')))
        return self.net2(x.to('cuda:1'))

请注意，上面的 ToyModel 看起来与在单个GPU上实现它的方式非常相似，除了四个 to(device) 调用将线性层和张量放置在正确的设备上。这是模型中唯一需要更改的地方。 backward() 和 torch.optim 将自动处理梯度，就像模型在一个GPU上一样。您只需要确保标签与调用损失函数时的输出在同一设备上即可。

model = ToyModel()
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

optimizer.zero_grad()
outputs = model(torch.randn(20, 10))
labels = torch.randn(20, 5).to('cuda:1')
loss_fn(outputs, labels).backward()
optimizer.step()

将模型并行应用于现有模块

也可以通过几行代码更改来在多个GPU上运行现有的单GPU模块。以下代码展示了如何将 torchvision.models.resnet50() 分解到两个GPU上。其思想是从现有的 ResNet 模块继承，并在构造期间将层拆分到两个GPU上。然后，覆盖 forward 方法，通过相应地移动中间输出将两个子网络连接起来。

from torchvision.models.resnet import ResNet, Bottleneck

num_classes = 1000


class ModelParallelResNet50(ResNet):
    def __init__(self, *args, **kwargs):
        super(ModelParallelResNet50, self).__init__(
            Bottleneck, [3, 4, 6, 3], num_classes=num_classes, *args, **kwargs)

        self.seq1 = nn.Sequential(
            self.conv1,
            self.bn1,
            self.relu,
            self.maxpool,

            self.layer1,
            self.layer2
        ).to('cuda:0')

        self.seq2 = nn.Sequential(
            self.layer3,
            self.layer4,
            self.avgpool,
        ).to('cuda:1')

        self.fc.to('cuda:1')

    def forward(self, x):
        x = self.seq2(self.seq1(x).to('cuda:1'))
        return self.fc(x.view(x.size(0), -1))

上述实现解决了模型过大而无法容纳到单个GPU中的情况。但是，您可能已经注意到，如果您的模型适合，它将比在单个GPU上运行它慢。这是因为，在任何时间点，只有两个GPU中的一个在工作，而另一个则处于空闲状态。由于中间输出需要在 layer2 和 layer3 之间从 cuda:0 复制到 cuda:1，因此性能进一步下降。

让我们进行一个实验，以更定量地了解执行时间。在这个实验中，我们通过运行随机输入和标签来训练 ModelParallelResNet50 和现有的 torchvision.models.resnet50()。训练结束后，模型不会产生任何有用的预测，但我们可以对执行时间有一个合理的了解。

import torchvision.models as models

num_batches = 3
batch_size = 120
image_w = 128
image_h = 128


def train(model):
    model.train(True)
    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(model.parameters(), lr=0.001)

    one_hot_indices = torch.LongTensor(batch_size) \
                           .random_(0, num_classes) \
                           .view(batch_size, 1)

    for _ in range(num_batches):
        # generate random inputs and labels
        inputs = torch.randn(batch_size, 3, image_w, image_h)
        labels = torch.zeros(batch_size, num_classes) \
                      .scatter_(1, one_hot_indices, 1)

        # run forward pass
        optimizer.zero_grad()
        outputs = model(inputs.to('cuda:0'))

        # run backward pass
        labels = labels.to(outputs.device)
        loss_fn(outputs, labels).backward()
        optimizer.step()

上面的 train(model) 方法使用 nn.MSELoss 作为损失函数，使用 optim.SGD 作为优化器。它模拟在 128 X 128 图像上进行训练，这些图像被组织成3个批次，每个批次包含120张图像。然后，我们使用 timeit 运行 train(model) 方法10次，并绘制执行时间及其标准差。

import matplotlib.pyplot as plt
plt.switch_backend('Agg')
import numpy as np
import timeit

num_repeat = 10

stmt = "train(model)"

setup = "model = ModelParallelResNet50()"
mp_run_times = timeit.repeat(
    stmt, setup, number=1, repeat=num_repeat, globals=globals())
mp_mean, mp_std = np.mean(mp_run_times), np.std(mp_run_times)

setup = "import torchvision.models as models;" + \
        "model = models.resnet50(num_classes=num_classes).to('cuda:0')"
rn_run_times = timeit.repeat(
    stmt, setup, number=1, repeat=num_repeat, globals=globals())
rn_mean, rn_std = np.mean(rn_run_times), np.std(rn_run_times)


def plot(means, stds, labels, fig_name):
    fig, ax = plt.subplots()
    ax.bar(np.arange(len(means)), means, yerr=stds,
           align='center', alpha=0.5, ecolor='red', capsize=10, width=0.6)
    ax.set_ylabel('ResNet50 Execution Time (Second)')
    ax.set_xticks(np.arange(len(means)))
    ax.set_xticklabels(labels)
    ax.yaxis.grid(True)
    plt.tight_layout()
    plt.savefig(fig_name)
    plt.close(fig)


plot([mp_mean, rn_mean],
     [mp_std, rn_std],
     ['Model Parallel', 'Single GPU'],
     'mp_vs_rn.png')

结果表明，模型并行实现的执行时间比现有的单GPU实现长 4.02/3.75-1=7%。因此，我们可以得出结论，在GPU之间来回复制张量大约有7%的开销。还有改进的空间，因为我们知道两个GPU中的一个在整个执行过程中都处于空闲状态。一种选择是将每个批次进一步划分为一个流水线的分裂，这样当一个分裂到达第二个子网络时，后续的分裂就可以被送入第一个子网络。这样，两个连续的分裂就可以在两个GPU上并发运行。

通过流水线输入加速

在以下实验中，我们将每个120图像的批次进一步划分为20图像的分裂。由于PyTorch异步启动CUDA操作，因此实现不需要生成多个线程来实现并发。

class PipelineParallelResNet50(ModelParallelResNet50):
    def __init__(self, split_size=20, *args, **kwargs):
        super(PipelineParallelResNet50, self).__init__(*args, **kwargs)
        self.split_size = split_size

    def forward(self, x):
        splits = iter(x.split(self.split_size, dim=0))
        s_next = next(splits)
        s_prev = self.seq1(s_next).to('cuda:1')
        ret = []

        for s_next in splits:
            # A. ``s_prev`` runs on ``cuda:1``
            s_prev = self.seq2(s_prev)
            ret.append(self.fc(s_prev.view(s_prev.size(0), -1)))

            # B. ``s_next`` runs on ``cuda:0``, which can run concurrently with A
            s_prev = self.seq1(s_next).to('cuda:1')

        s_prev = self.seq2(s_prev)
        ret.append(self.fc(s_prev.view(s_prev.size(0), -1)))

        return torch.cat(ret)


setup = "model = PipelineParallelResNet50()"
pp_run_times = timeit.repeat(
    stmt, setup, number=1, repeat=num_repeat, globals=globals())
pp_mean, pp_std = np.mean(pp_run_times), np.std(pp_run_times)

plot([mp_mean, rn_mean, pp_mean],
     [mp_std, rn_std, pp_std],
     ['Model Parallel', 'Single GPU', 'Pipelining Model Parallel'],
     'mp_vs_rn_vs_pp.png')

请注意，设备到设备的张量复制操作在源设备和目标设备上的当前流上同步。如果您创建多个流，则必须确保复制操作正确同步。在完成复制操作之前写入源张量或读取/写入目标张量会导致未定义的行为。上述实现仅使用源设备和目标设备上的默认流，因此不需要强制执行其他同步。

实验结果表明，将输入流水线化到模型并行ResNet50可以将训练过程加速大约 3.75/2.51-1=49%。这仍然离理想的100%加速相差甚远。由于我们在流水线并行实现中引入了一个新的参数 split_sizes，因此不清楚新参数如何影响整体训练时间。直观地说，使用小的 split_size 会导致许多微小的CUDA内核启动，而使用大的 split_size 会导致在第一个和最后一个分裂期间出现相对较长的空闲时间。两者都不是最佳的。对于这个特定实验，可能存在一个最佳的 split_size 配置。让我们尝试通过使用几个不同的 split_size 值运行实验来找到它。

means = []
stds = []
split_sizes = [1, 3, 5, 8, 10, 12, 20, 40, 60]

for split_size in split_sizes:
    setup = "model = PipelineParallelResNet50(split_size=%d)" % split_size
    pp_run_times = timeit.repeat(
        stmt, setup, number=1, repeat=num_repeat, globals=globals())
    means.append(np.mean(pp_run_times))
    stds.append(np.std(pp_run_times))

fig, ax = plt.subplots()
ax.plot(split_sizes, means)
ax.errorbar(split_sizes, means, yerr=stds, ecolor='red', fmt='ro')
ax.set_ylabel('ResNet50 Execution Time (Second)')
ax.set_xlabel('Pipeline Split Size')
ax.set_xticks(split_sizes)
ax.yaxis.grid(True)
plt.tight_layout()
plt.savefig("split_size_tradeoff.png")
plt.close(fig)

结果表明，将 split_size 设置为12可以达到最快的训练速度，这可以使速度提高 3.75/2.43-1=54%。仍然有机会进一步加速训练过程。例如， cuda:0 上的所有操作都放置在其默认流上。这意味着下一个分裂的计算不能与 prev 分裂的复制操作重叠。但是，由于 prev 和下一个分裂是不同的张量，因此将一个的计算与另一个的复制重叠没有问题。实现需要在两个GPU上使用多个流，并且不同的子网络结构需要不同的流管理策略。由于没有通用的多流解决方案适用于所有模型并行用例，因此我们不会在本教程中讨论它。

注意

这篇文章展示了一些性能测量结果。当您在自己的机器上运行相同的代码时，可能会看到不同的数字，因为结果取决于底层硬件和软件。为了获得您环境的最佳性能，一种合适的方法是首先生成曲线以找出最佳的分割大小，然后使用该分割大小来流水线化输入。