支持 TorchScript 的分布式优化器

注意

支持 TorchScript 的分布式优化器在 PyTorch 1.8 中作为测试版功能引入。此 API 可能发生变化。

在本食谱中，您将学习

• 支持 TorchScript 的分布式优化器的高级概念及其带来的优势

• 如何编写自定义分布式优化器以启用 TorchScript 支持

要求

• PyTorch 1.8+

• 分布式 RPC 框架入门

什么是分布式优化器？

DistributedOptimizer 接受一个远程参数 (RRef) 列表，并在参数所在的 worker 上本地运行优化器，这通常与分布式 RPC/自动梯度一起使用以进行模型并行训练。它可以使用任何本地优化器算法（torch.optim 中提供的预定义算法或自定义定义的算法）来对每个 worker 上的梯度进行应用。

什么是支持 TorchScript 的分布式优化器？

分布式优化器广泛用于分布式模型并行训练，在一些常见用例中，由于性能和资源利用率的考虑，训练需要以多线程方式进行，而不是多进程方式（或至少部分多线程，例如，参数服务器托管模型和参数的一部分，每个请求使用新线程更新参数）。PyTorch 本身不支持原生多线程训练，因为它受到 Python 全局解释器锁 (GIL) 的影响，但它可以利用 TorchScript 来摆脱 GIL 并以多线程方式运行模型。

对于关键的模型训练工作负载，提高训练性能是一个重要议题。研究人员通常希望通过图表示（即通过算子融合）实现不同的优化策略，或者实现自定义算子内核以加快训练速度。

支持 TorchScript 的分布式优化器可以帮助摆脱 GIL，从而提高 PyTorch 在多线程环境中的训练性能，它还释放了利用 TorchScript 提供的先进编译器技术（例如 CPU/GPU 融合）来进一步提高性能的潜力。

如何编写支持 TorchScript 的自定义分布式优化器？

以下代码展示了如何编写自定义分布式优化器，前提是您已经拥有现有的本地优化器实现，这可以释放 TorchScript 的优势，包括消除 GIL 和提高性能的机会。

假设您已经拥有一个在训练过程中使用的本地优化器，在本例中，我们将使用 准双曲动量 (QHM) 作为示例来展示如何启用 TorchScript 支持，请注意，这同样适用于任何从 torch.optim.Optimizer 继承的自定义优化器。

首先，我们需要将计算和状态管理与优化器实现分离，这样我们就可以提取计算部分并将其转换为一个免费函数，这是 TorchScript 友好的。它有两个好处：1. 计算逻辑变得更容易检查，它允许我们快速将参数更新/计算部分转换为 TorchScript，并利用 TorchScript IR 进行进一步的优化（算子融合等）。2. 分布式优化器底层使用不同的机制来获取梯度并更新参数（我们单独存储梯度，而不是在反向传播期间直接填充 param.grad 字段）。分离计算允许分布式优化器在多线程模式下启用优化器更新的可能性，因为它消除了对 param.grad 的潜在竞争条件。

import torch
from torch import Tensor
from typing import List


def qhm_update(params: List[Tensor],
            dp_list: List[Tensor],
            momentum_buffer_list: List[Tensor],
            lr: float,
            nu: float,
            weight_decay: float,
            weight_decay_type: str,
            momentum: float):

    for p, d_p, momentum_buffer in zip(params, dp_list, momentum_buffer_list):
        if weight_decay != 0:
            if weight_decay_type == "grad":
                d_p.add_(weight_decay, p)
            elif weight_decay_type == "direct":
                p.mul_(1.0 - lr * weight_decay)
            else:
                raise ValueError("Invalid weight decay type provided")

        momentum_buffer.mul_(momentum).add_(1.0 - momentum, d_p)

        p.data.add_(-lr * nu, momentum_buffer)
        p.data.add_(-lr * (1.0 - nu), d_p)

接下来我们将定义一个具有 TorchScript 兼容性的分布式函数式优化器，以管理优化器状态并调用我们在上面定义的 TorchScript 兼容更新函数。请注意，与正常的自定义优化器相比，一些约定有所不同：1. 我们不继承 torch.optim.Optimizer，因为 TorchScript 不支持多态性 2. step 获取梯度列表，而不是损失闭包。

import torch
from torch import Tensor
from typing import List, Optional, Dict

# define this as a TorchScript class
@torch.jit.script
class FunctionalQHM(object):
    def __init__(self,
                params: List[Tensor],
                lr: float,
                momentum: float,
                nu: float,
                weight_decay: float = 0.0,
                weight_decay_type: str = "grad"):
        if lr < 0.0:
            raise ValueError("Invalid learning rate: {}".format(lr))
        if momentum < 0.0:
            raise ValueError("Invalid momentum value: {}".format(momentum))
        if weight_decay < 0.0:
            raise ValueError("Invalid weight_decay value: {}".format(weight_decay))
        if weight_decay_type not in ("grad", "direct"):
            raise ValueError("Invalid weight_decay_type value: {}".format(weight_decay_type))

        self.defaults = {
            "lr": lr,
            "momentum": momentum,
            "nu": nu,
            "weight_decay": weight_decay,
        }
        self.weight_decay_type = weight_decay_type

        # NOTE: we only have one param_group here and don't allow user to add additional
        # param group as it's not a common use case.
        self.param_group = {"params": params}

        self.state = torch.jit.annotate(Dict[torch.Tensor, Dict[str, torch.Tensor]], {})

    def step(self, gradients: List[Optional[Tensor]]):
        params = self.param_group['params']
        params_with_grad = []
        grads = []
        momentum_buffer_list: List[Tensor] = []

        if len(params) != len(gradients):
            raise ValueError(
                "the gradients passed in does not equal to the size of the parameters!"
                + f"Params length: {len(params)}. "
                + f"Gradients length: {len(gradients)}"
            )

        for param, gradient in zip(self.param_group['params'], gradients):
            if gradient is not None:
                params_with_grad.append(param)
                grads.append(gradient)
                state = self.state[param]
                state['momentum_buffer'] = torch.zeros_like(param, memory_format=torch.preserve_format)
                momentum_buffer_list.append(state['momentum_buffer'])

        # calls into the update function we just defined
        with torch.no_grad():
            qhm_update(params_with_grad,
                    grads,
                    momentum_buffer_list,
                    self.defaults['lr'],
                    self.defaults['nu'],
                    self.defaults['weight_decay'],
                    self.weight_decay_type,
                    self.defaults['momentum'])

最后，我们将新定义的分布式函数式优化器注册到 functional_optim_map 中。这样，DistributedOptimizer 就会尝试选择我们的自定义实现，而不是预定义的默认实现。

from torch.distributed.optim import DistributedOptimizer

DistributedOptimizer.functional_optim_map[QHM] = FunctionalQHM

现在您可以像平常一样在分布式训练中使用 QHM 优化器，将其传递给 DistributedOptimizer

...
remote_params_list = [...]
dist_optim = DistributedOptimizer(
    QHM, remote_params_list, *args, **kwargs
)

DistributedOptimizer 会在幕后自动将 QHM 优化器转换为 FunctionalQHM，并启用 TorchScript 支持。这将释放由多线程训练带来的性能提升，并为进一步改进（例如 TorchScript 融合等）提供更多潜力。

请注意，大多数 PyTorch 内置优化器已经使用这种方法来加快分布式训练速度。如果您看到关于某些优化器尚未转换的警告，您可以按照此方法编写自己的转换。