使用 ZeroRedundancyOptimizer 分片优化器状态

创建于: 2021 年 2 月 26 日 | 最后更新: 2021 年 10 月 20 日 | 最后验证: 未验证

在本精选示例中，你将学习

• ZeroRedundancyOptimizer 的高级概念。

• 如何在分布式训练中使用 ZeroRedundancyOptimizer 及其影响。

要求

• PyTorch 1.8+

• 分布式数据并行入门

什么是 ZeroRedundancyOptimizer?

ZeroRedundancyOptimizer 的想法来源于 DeepSpeed/ZeRO 项目和 Marian，它们通过在分布式数据并行进程中分片优化器状态来减少每个进程的内存占用。在分布式数据并行入门教程中，我们展示了如何使用DistributedDataParallel (DDP) 来训练模型。在该教程中，每个进程都保留一个专用的优化器副本。由于 DDP 在反向传播过程中已经同步了梯度，所有优化器副本在每次迭代中都会对相同的参数和梯度值进行操作，这就是 DDP 如何使模型副本保持相同状态的原因。通常，优化器也会维护局部状态。例如，Adam 优化器使用每个参数的 exp_avg 和 exp_avg_sq 状态。因此，Adam 优化器的内存消耗至少是模型大小的两倍。基于这一观察，我们可以通过在 DDP 进程中分片优化器状态来减少优化器的内存占用。更具体地说，不是为所有参数创建每个参数的状态，不同 DDP 进程中的每个优化器实例仅保留所有模型参数的一个分片对应的优化器状态。优化器的 step() 函数仅更新其分片中的参数，然后将其更新后的参数广播到所有其他对等 DDP 进程，从而使所有模型副本仍然处于相同状态。

如何使用 ZeroRedundancyOptimizer?

以下代码演示了如何使用 ZeroRedundancyOptimizer。大部分代码类似于分布式数据并行说明中提供的简单 DDP 示例。主要区别在于 example 函数中的 if-else 子句，它封装了优化器的构建，用于在 ZeroRedundancyOptimizer 和 Adam 优化器之间切换。

import os
import torch
import torch.distributed as dist
import torch.multiprocessing as mp
import torch.nn as nn
import torch.optim as optim
from torch.distributed.optim import ZeroRedundancyOptimizer
from torch.nn.parallel import DistributedDataParallel as DDP

def print_peak_memory(prefix, device):
    if device == 0:
        print(f"{prefix}: {torch.cuda.max_memory_allocated(device) // 1e6}MB ")

def example(rank, world_size, use_zero):
    torch.manual_seed(0)
    torch.cuda.manual_seed(0)
    os.environ['MASTER_ADDR'] = 'localhost'
    os.environ['MASTER_PORT'] = '29500'
    # create default process group
    dist.init_process_group("gloo", rank=rank, world_size=world_size)

    # create local model
    model = nn.Sequential(*[nn.Linear(2000, 2000).to(rank) for _ in range(20)])
    print_peak_memory("Max memory allocated after creating local model", rank)

    # construct DDP model
    ddp_model = DDP(model, device_ids=[rank])
    print_peak_memory("Max memory allocated after creating DDP", rank)

    # define loss function and optimizer
    loss_fn = nn.MSELoss()
    if use_zero:
        optimizer = ZeroRedundancyOptimizer(
            ddp_model.parameters(),
            optimizer_class=torch.optim.Adam,
            lr=0.01
        )
    else:
        optimizer = torch.optim.Adam(ddp_model.parameters(), lr=0.01)

    # forward pass
    outputs = ddp_model(torch.randn(20, 2000).to(rank))
    labels = torch.randn(20, 2000).to(rank)
    # backward pass
    loss_fn(outputs, labels).backward()

    # update parameters
    print_peak_memory("Max memory allocated before optimizer step()", rank)
    optimizer.step()
    print_peak_memory("Max memory allocated after optimizer step()", rank)

    print(f"params sum is: {sum(model.parameters()).sum()}")



def main():
    world_size = 2
    print("=== Using ZeroRedundancyOptimizer ===")
    mp.spawn(example,
        args=(world_size, True),
        nprocs=world_size,
        join=True)

    print("=== Not Using ZeroRedundancyOptimizer ===")
    mp.spawn(example,
        args=(world_size, False),
        nprocs=world_size,
        join=True)

if __name__=="__main__":
    main()

输出如下所示。当启用 ZeroRedundancyOptimizer 与 Adam 一起使用时，优化器 step() 的峰值内存消耗是普通 Adam 内存消耗的一半。这与我们的预期一致，因为我们将 Adam 优化器状态分片到了两个进程中。输出还显示，使用 ZeroRedundancyOptimizer 后，模型参数在一次迭代后仍然具有相同的值（参数总和在使用和不使用 ZeroRedundancyOptimizer 的情况下是相同的）。

=== Using ZeroRedundancyOptimizer ===
Max memory allocated after creating local model: 335.0MB
Max memory allocated after creating DDP: 656.0MB
Max memory allocated before optimizer step(): 992.0MB
Max memory allocated after optimizer step(): 1361.0MB
params sum is: -3453.6123046875
params sum is: -3453.6123046875
=== Not Using ZeroRedundancyOptimizer ===
Max memory allocated after creating local model: 335.0MB
Max memory allocated after creating DDP: 656.0MB
Max memory allocated before optimizer step(): 992.0MB
Max memory allocated after optimizer step(): 1697.0MB
params sum is: -3453.6123046875
params sum is: -3453.6123046875