使用分布式 RPC 框架实现参数服务器¶
作者: Rohan Varma
注意
在 github 上查看和编辑本教程。
先决条件
本教程将逐步介绍一个使用 PyTorch 的 分布式 RPC 框架 实现参数服务器的简单示例。参数服务器框架是一种范例,其中一组服务器存储参数(例如大型嵌入表),而多个训练器查询参数服务器以检索最新的参数。这些训练器可以在本地运行训练循环,并偶尔与参数服务器同步以获取最新的参数。有关参数服务器方法的更多阅读,请查看 这篇论文。
使用分布式 RPC 框架,我们将构建一个示例,其中多个训练器使用 RPC 与同一个参数服务器通信,并使用 RRef 访问远程参数服务器实例上的状态。每个训练器都将以分布式方式启动其专用的反向传播,方法是在使用分布式自动微分跨多个节点拼接自动微分图。
注意:本教程涵盖了分布式 RPC 框架的使用,该框架可用于将模型拆分到多台机器上,或用于实现参数服务器训练策略,其中网络训练器获取托管在另一台机器上的参数。如果您正在寻找跨多个 GPU 复制模型,请参阅 分布式数据并行教程。还有一个 RPC 教程 涵盖了强化学习和 RNN 用例。
让我们从熟悉的部分开始:导入所需的模块并定义一个简单的卷积神经网络 (ConvNet),它将在 MNIST 数据集上进行训练。以下网络很大程度上借鉴了 pytorch/examples 仓库 中定义的网络。
import argparse
import os
import time
from threading import Lock
import torch
import torch.distributed.autograd as dist_autograd
import torch.distributed.rpc as rpc
import torch.multiprocessing as mp
import torch.nn as nn
import torch.nn.functional as F
from torch import optim
from torch.distributed.optim import DistributedOptimizer
from torchvision import datasets, transforms
# --------- MNIST Network to train, from pytorch/examples -----
class Net(nn.Module):
def __init__(self, num_gpus=0):
super(Net, self).__init__()
print(f"Using {num_gpus} GPUs to train")
self.num_gpus = num_gpus
device = torch.device(
"cuda:0" if torch.cuda.is_available() and self.num_gpus > 0 else "cpu")
print(f"Putting first 2 convs on {str(device)}")
# Put conv layers on the first cuda device, or CPU if no cuda device
self.conv1 = nn.Conv2d(1, 32, 3, 1).to(device)
self.conv2 = nn.Conv2d(32, 64, 3, 1).to(device)
# Put rest of the network on the 2nd cuda device, if there is one
if "cuda" in str(device) and num_gpus > 1:
device = torch.device("cuda:1")
print(f"Putting rest of layers on {str(device)}")
self.dropout1 = nn.Dropout2d(0.25).to(device)
self.dropout2 = nn.Dropout2d(0.5).to(device)
self.fc1 = nn.Linear(9216, 128).to(device)
self.fc2 = nn.Linear(128, 10).to(device)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
# Move tensor to next device if necessary
next_device = next(self.fc1.parameters()).device
x = x.to(next_device)
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
接下来,让我们定义一些辅助函数,这些函数对我们脚本的其余部分很有用。以下使用 rpc_sync 和 RRef 来定义一个函数,该函数在远程节点上的对象上调用给定方法。下面,我们对远程对象的句柄由 rref
参数给出,我们在其拥有者节点上运行它:rref.owner()
。在调用者节点上,我们通过使用 rpc_sync
同步运行此命令,这意味着我们将阻塞直到收到响应。
# --------- Helper Methods --------------------
# On the local node, call a method with first arg as the value held by the
# RRef. Other args are passed in as arguments to the function called.
# Useful for calling instance methods. method could be any matching function, including
# class methods.
def call_method(method, rref, *args, **kwargs):
return method(rref.local_value(), *args, **kwargs)
# Given an RRef, return the result of calling the passed in method on the value
# held by the RRef. This call is done on the remote node that owns
# the RRef and passes along the given argument.
# Example: If the value held by the RRef is of type Foo, then
# remote_method(Foo.bar, rref, arg1, arg2) is equivalent to calling
# <foo_instance>.bar(arg1, arg2) on the remote node and getting the result
# back.
def remote_method(method, rref, *args, **kwargs):
args = [method, rref] + list(args)
return rpc.rpc_sync(rref.owner(), call_method, args=args, kwargs=kwargs)
现在,我们准备定义我们的参数服务器。我们将继承 nn.Module
并保存一个对我们上面定义的网络的句柄。我们还将保存一个输入设备,该设备将是我们输入在调用模型之前传输到的设备。
# --------- Parameter Server --------------------
class ParameterServer(nn.Module):
def __init__(self, num_gpus=0):
super().__init__()
model = Net(num_gpus=num_gpus)
self.model = model
self.input_device = torch.device(
"cuda:0" if torch.cuda.is_available() and num_gpus > 0 else "cpu")
接下来,我们将定义我们的前向传递。请注意,无论模型输出的设备是什么,我们都将输出移动到 CPU,因为分布式 RPC 框架目前仅支持通过 RPC 发送 CPU 张量。由于调用方/被调用方上可能存在不同的设备(CPU/GPU),我们有意禁用通过 RPC 发送 CUDA 张量,但在将来的版本中可能会支持此功能。
class ParameterServer(nn.Module):
...
def forward(self, inp):
inp = inp.to(self.input_device)
out = self.model(inp)
# This output is forwarded over RPC, which as of 1.5.0 only accepts CPU tensors.
# Tensors must be moved in and out of GPU memory due to this.
out = out.to("cpu")
return out
接下来,我们将定义一些用于训练和验证目的的杂项函数。第一个,get_dist_gradients
,将接收一个分布式自动微分上下文 ID 并调用 dist_autograd.get_gradients
API 以检索由分布式自动微分计算的梯度。更多信息可以在 分布式自动微分文档 中找到。请注意,我们还遍历结果字典并将每个张量转换为 CPU 张量,因为该框架目前仅支持通过 RPC 发送张量。接下来,get_param_rrefs
将遍历我们的模型参数并将它们包装为 (本地) RRef。此方法将由训练器节点通过 RPC 调用,并将返回要优化的参数列表。这是 分布式优化器 的必需输入,它需要所有必须优化的参数作为 RRef
列表。
# Use dist autograd to retrieve gradients accumulated for this model.
# Primarily used for verification.
def get_dist_gradients(self, cid):
grads = dist_autograd.get_gradients(cid)
# This output is forwarded over RPC, which as of 1.5.0 only accepts CPU tensors.
# Tensors must be moved in and out of GPU memory due to this.
cpu_grads = {}
for k, v in grads.items():
k_cpu, v_cpu = k.to("cpu"), v.to("cpu")
cpu_grads[k_cpu] = v_cpu
return cpu_grads
# Wrap local parameters in a RRef. Needed for building the
# DistributedOptimizer which optimizes paramters remotely.
def get_param_rrefs(self):
param_rrefs = [rpc.RRef(param) for param in self.model.parameters()]
return param_rrefs
最后,我们将创建方法来初始化我们的参数服务器。请注意,在所有进程中只会存在一个参数服务器实例,并且所有训练器都将与同一个参数服务器通信并更新相同的存储模型。如 run_parameter_server
中所示,服务器本身不会执行任何独立操作;它等待来自训练器(尚未定义)的请求,并通过运行请求的函数来响应它们。
# The global parameter server instance.
param_server = None
# A lock to ensure we only have one parameter server.
global_lock = Lock()
def get_parameter_server(num_gpus=0):
"""
Returns a singleton parameter server to all trainer processes
"""
global param_server
# Ensure that we get only one handle to the ParameterServer.
with global_lock:
if not param_server:
# construct it once
param_server = ParameterServer(num_gpus=num_gpus)
return param_server
def run_parameter_server(rank, world_size):
# The parameter server just acts as a host for the model and responds to
# requests from trainers.
# rpc.shutdown() will wait for all workers to complete by default, which
# in this case means that the parameter server will wait for all trainers
# to complete, and then exit.
print("PS master initializing RPC")
rpc.init_rpc(name="parameter_server", rank=rank, world_size=world_size)
print("RPC initialized! Running parameter server...")
rpc.shutdown()
print("RPC shutdown on parameter server.")
请注意,在上面,rpc.shutdown()
不会立即关闭参数服务器。相反,它将等待所有工作器(在本例中为训练器)也调用 rpc.shutdown()
。这保证了参数服务器在所有训练器(尚未定义)完成其训练过程之前不会离线。
接下来,我们将定义我们的 TrainerNet
类。这也将是 nn.Module
的子类,我们的 __init__
方法将使用 rpc.remote
API 获取对我们的参数服务器的 RRef 或远程引用。请注意,这里我们没有将参数服务器复制到我们的本地进程,相反,我们可以将 self.param_server_rref
视为对驻留在单独进程上的参数服务器的分布式共享指针。
# --------- Trainers --------------------
# nn.Module corresponding to the network trained by this trainer. The
# forward() method simply invokes the network on the given parameter
# server.
class TrainerNet(nn.Module):
def __init__(self, num_gpus=0):
super().__init__()
self.num_gpus = num_gpus
self.param_server_rref = rpc.remote(
"parameter_server", get_parameter_server, args=(num_gpus,))
接下来,我们将定义一个名为 get_global_param_rrefs
的方法。为了说明此方法的必要性,值得阅读 DistributedOptimizer 上的文档,特别是 API 签名。优化器必须传递一个对应于要优化的远程参数的 RRef
列表,因此在这里我们获取必要的 RRef
。由于给定的 TrainerNet
与之交互的唯一远程工作器是 ParameterServer
,因此我们只需在 ParameterServer
上调用 remote_method
。我们使用我们在 ParameterServer
类中定义的 get_param_rrefs
方法。此方法将返回需要优化的参数的 RRef
列表。请注意,在这种情况下,我们的 TrainerNet
没有定义自己的参数;如果它确实定义了,我们也需要将每个参数包装在一个 RRef
中并将其包含到 DistributedOptimizer
的输入中。
class TrainerNet(nn.Module):
...
def get_global_param_rrefs(self):
remote_params = remote_method(
ParameterServer.get_param_rrefs,
self.param_server_rref)
return remote_params
现在,我们准备定义我们的 forward
方法,它将调用 (同步) RPC 以运行在 ParameterServer
上定义的网络的前向传递。请注意,我们将 self.param_server_rref
(它是我们 ParameterServer
的远程句柄)传递到我们的 RPC 调用中。此调用将向我们的 ParameterServer
正在运行的节点发送 RPC,调用 forward
传递,并返回对应于模型输出的 Tensor
。
class TrainerNet(nn.Module):
...
def forward(self, x):
model_output = remote_method(
ParameterServer.forward, self.param_server_rref, x)
return model_output
在我们的训练器完全定义后,现在是时候编写我们的神经网络训练循环,它将创建我们的网络和优化器,通过网络运行一些输入并计算损失。训练循环看起来非常像本地训练程序的训练循环,由于我们的网络分布在多台机器上的性质,所以有一些修改。
下面,我们初始化我们的 TrainerNet
并构建一个 DistributedOptimizer
。请注意,如上所述,我们必须传递所有我们想要优化的全局(参与分布式训练的所有节点)参数。此外,我们传递要使用的本地优化器,在本例中为 SGD。请注意,我们可以像创建本地优化器一样配置底层优化器算法 - optimizer.SGD
的所有参数都将正确转发。例如,我们传递一个自定义学习率,该学习率将用作所有本地优化器的学习率。
def run_training_loop(rank, num_gpus, train_loader, test_loader):
# Runs the typical nueral network forward + backward + optimizer step, but
# in a distributed fashion.
net = TrainerNet(num_gpus=num_gpus)
# Build DistributedOptimizer.
param_rrefs = net.get_global_param_rrefs()
opt = DistributedOptimizer(optim.SGD, param_rrefs, lr=0.03)
接下来,我们定义我们的主要训练循环。我们循环遍历 PyTorch 的 DataLoader 给出的可迭代对象。在编写我们典型的 forward/backward/optimizer 循环之前,我们首先将逻辑包装在一个 分布式自动微分上下文 中。请注意,这需要记录模型前向传递中调用的 RPC,以便可以构建一个适当的图,该图包括反向传递中所有参与的分布式工作器。分布式自动微分上下文返回一个 context_id
,它用作累积和优化对应于特定迭代的梯度的标识符。
与调用典型的 loss.backward()
(这将在本地工作器上启动反向传递)相反,我们调用 dist_autograd.backward()
并传入我们的 context_id
以及 loss
,这是我们希望反向传递开始的根。此外,我们将此 context_id
传递到我们的优化器调用中,这是能够查找所有节点上此特定反向传递计算的相应梯度的必要条件。
def run_training_loop(rank, num_gpus, train_loader, test_loader):
...
for i, (data, target) in enumerate(train_loader):
with dist_autograd.context() as cid:
model_output = net(data)
target = target.to(model_output.device)
loss = F.nll_loss(model_output, target)
if i % 5 == 0:
print(f"Rank {rank} training batch {i} loss {loss.item()}")
dist_autograd.backward(cid, [loss])
# Ensure that dist autograd ran successfully and gradients were
# returned.
assert remote_method(
ParameterServer.get_dist_gradients,
net.param_server_rref,
cid) != {}
opt.step(cid)
print("Training complete!")
print("Getting accuracy....")
get_accuracy(test_loader, net)
以下只是在训练完成后计算我们模型的准确率,就像传统的本地模型一样。但是,请注意,我们传递给上面函数的 net
是 TrainerNet
的实例,因此前向传递以透明的方式调用 RPC。
def get_accuracy(test_loader, model):
model.eval()
correct_sum = 0
# Use GPU to evaluate if possible
device = torch.device("cuda:0" if model.num_gpus > 0
and torch.cuda.is_available() else "cpu")
with torch.no_grad():
for i, (data, target) in enumerate(test_loader):
out = model(data, -1)
pred = out.argmax(dim=1, keepdim=True)
pred, target = pred.to(device), target.to(device)
correct = pred.eq(target.view_as(pred)).sum().item()
correct_sum += correct
print(f"Accuracy {correct_sum / len(test_loader.dataset)}")
接下来,类似于我们如何定义 run_parameter_server
作为负责初始化 RPC 的 ParameterServer
的主循环,让我们为我们的训练器定义一个类似的循环。不同之处在于,我们的训练器必须运行我们上面定义的训练循环。
# Main loop for trainers.
def run_worker(rank, world_size, num_gpus, train_loader, test_loader):
print(f"Worker rank {rank} initializing RPC")
rpc.init_rpc(
name=f"trainer_{rank}",
rank=rank,
world_size=world_size)
print(f"Worker {rank} done initializing RPC")
run_training_loop(rank, num_gpus, train_loader, test_loader)
rpc.shutdown()
请注意,与 run_parameter_server
类似,rpc.shutdown()
默认情况下将等待所有工作器(训练器和参数服务器)都调用 rpc.shutdown()
,然后此节点退出。这确保了节点以优雅的方式终止,并且在另一个节点期望它在线时,没有节点离线。
我们现在已经完成了训练器和参数服务器的特定代码,剩下的就是添加启动训练器和参数服务器的代码。首先,我们必须获取适用于参数服务器和训练器的各种参数。 world_size
对应于将参与训练的节点总数,它是所有训练器和参数服务器的总和。我们还必须为每个单独的进程传递一个唯一的 rank
,从 0(我们将在此运行单个参数服务器)到 world_size - 1
。 master_addr
和 master_port
是可用于识别 rank 为 0 的进程运行位置的参数,并将由各个节点用于相互发现。要本地测试此示例,只需将 localhost
和相同的 master_port
传递给所有生成的实例。请注意,出于演示目的,此示例仅支持 0-2 个 GPU,尽管可以扩展此模式以利用更多 GPU。
if __name__ == '__main__':
parser = argparse.ArgumentParser(
description="Parameter-Server RPC based training")
parser.add_argument(
"--world_size",
type=int,
default=4,
help="""Total number of participating processes. Should be the sum of
master node and all training nodes.""")
parser.add_argument(
"--rank",
type=int,
default=None,
help="Global rank of this process. Pass in 0 for master.")
parser.add_argument(
"--num_gpus",
type=int,
default=0,
help="""Number of GPUs to use for training, Currently supports between 0
and 2 GPUs. Note that this argument will be passed to the parameter servers.""")
parser.add_argument(
"--master_addr",
type=str,
default="localhost",
help="""Address of master, will default to localhost if not provided.
Master must be able to accept network traffic on the address + port.""")
parser.add_argument(
"--master_port",
type=str,
default="29500",
help="""Port that master is listening on, will default to 29500 if not
provided. Master must be able to accept network traffic on the host and port.""")
args = parser.parse_args()
assert args.rank is not None, "must provide rank argument."
assert args.num_gpus <= 3, f"Only 0-2 GPUs currently supported (got {args.num_gpus})."
os.environ['MASTER_ADDR'] = args.master_addr
os.environ["MASTER_PORT"] = args.master_port
现在,我们将根据命令行参数创建一个对应于参数服务器或训练器的进程。如果传入的 rank 为 0,我们将创建一个 ParameterServer
,否则创建一个 TrainerNet
。请注意,我们正在使用 torch.multiprocessing
启动一个对应于我们想要执行的函数的子进程,并使用 p.join()
从主线程等待此进程完成。在初始化训练器的情况下,我们还使用 PyTorch 的 数据加载器 来指定 MNIST 数据集上的训练和测试数据加载器。
processes = []
world_size = args.world_size
if args.rank == 0:
p = mp.Process(target=run_parameter_server, args=(0, world_size))
p.start()
processes.append(p)
else:
# Get data to train on
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=32, shuffle=True,)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST(
'../data',
train=False,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=32,
shuffle=True,
)
# start training worker on this node
p = mp.Process(
target=run_worker,
args=(
args.rank,
world_size, args.num_gpus,
train_loader,
test_loader))
p.start()
processes.append(p)
for p in processes:
p.join()
要在本地运行此示例,请为服务器和您希望生成的每个工作器在单独的终端窗口中运行以下命令: python rpc_parameter_server.py --world_size=WORLD_SIZE --rank=RANK
。例如,对于世界规模为 2 的主节点,命令将为 python rpc_parameter_server.py --world_size=2 --rank=0
。然后,可以使用命令 python rpc_parameter_server.py --world_size=2 --rank=1
在单独的窗口中启动训练器,这将开始使用一个服务器和一个训练器进行训练。请注意,本教程假设训练使用 0 到 2 个 GPU 之间进行,并且可以通过将 --num_gpus=N
传递到训练脚本中来配置此参数。
您可以传入命令行参数 --master_addr=ADDRESS
和 --master_port=PORT
来指示主工作器正在侦听的地址和端口,例如,测试训练器和主节点在不同机器上运行的功能。