Accelerate 文档
加速器
并获得增强的文档体验
开始使用
Accelerator
The Accelerator 是用于在任何类型的训练设置上启用分布式训练的主要类。阅读“将 Accelerator 添加到你的代码”教程,以了解有关如何将 Accelerator 添加到你的脚本的更多信息。
Accelerator
class accelerate.Accelerator
< source >( device_placement: bool = True split_batches: bool = <object object at 0x7eff015f54b0> mixed_precision: PrecisionType | str | None = None gradient_accumulation_steps: int = 1 cpu: bool = False dataloader_config: DataLoaderConfiguration | None = None deepspeed_plugin: DeepSpeedPlugin | dict[str, DeepSpeedPlugin] | None = None fsdp_plugin: FullyShardedDataParallelPlugin | None = None torch_tp_plugin: TorchTensorParallelPlugin | None = None megatron_lm_plugin: MegatronLMPlugin | None = None rng_types: list[str | RNGType] | None = None log_with: str | LoggerType | GeneralTracker | list[str | LoggerType | GeneralTracker] | None = None project_dir: str | os.PathLike | None = None project_config: ProjectConfiguration | None = None gradient_accumulation_plugin: GradientAccumulationPlugin | None = None step_scheduler_with_optimizer: bool = True kwargs_handlers: list[KwargsHandler] | None = None dynamo_backend: DynamoBackend | str | None = None dynamo_plugin: TorchDynamoPlugin | None = None deepspeed_plugins: DeepSpeedPlugin | dict[str, DeepSpeedPlugin] | None = None )
参数
- device_placement (
bool
, optional, defaults toTrue
) — 加速器是否应将对象放在设备上(dataloader、模型等产生的张量...)。 - mixed_precision (
str
, optional) — 是否使用混合精度训练。从 “no”、“fp16”、“bf16” 或 “fp8” 中选择。将默认为环境变量ACCELERATE_MIXED_PRECISION
中的值,该值将使用当前系统的 accelerate 配置中的默认值或通过accelerate.launch
命令传递的标志。“fp8” 需要安装 transformers-engine。 - gradient_accumulation_steps (
int
, optional, default to 1) — 在累积梯度之前应经过的步数。大于 1 的数字应与Accelerator.accumulate
结合使用。如果未传递,将默认为环境变量ACCELERATE_GRADIENT_ACCUMULATION_STEPS
中的值。也可以通过GradientAccumulationPlugin
进行配置。 - cpu (
bool
, optional) — 是否强制脚本在 CPU 上执行。如果设置为True
,将忽略可用的 GPU 并强制仅在一个进程上执行。 - dataloader_config (
DataLoaderConfiguration
, optional) — dataloader 在分布式场景中应如何处理的配置。 - deepspeed_plugin (DeepSpeedPlugin or dict of
str
— DeepSpeedPlugin, optional): 使用此参数调整与 DeepSpeed 相关的参数。此参数是可选的,可以直接使用 accelerate config 进行配置。如果使用多个插件,请使用每个插件的配置key
属性从accelerator.state.get_deepspeed_plugin(key)
访问它们。deepspeed_plugins
的别名。 - fsdp_plugin (FullyShardedDataParallelPlugin, optional) — 使用此参数调整与 FSDP 相关的参数。此参数是可选的,可以直接使用 accelerate config 进行配置
- torch_tp_plugin (
TorchTensorParallelPlugin
, optional) — 调整你的 torch tensor parallel。此参数是可选的,可以直接使用 accelerate config 进行配置 - megatron_lm_plugin (MegatronLMPlugin, optional) — 使用此参数调整与 MegatronLM 相关的参数。此参数是可选的,可以直接使用 accelerate config 进行配置
- rng_types (list of
str
or RNGType) — 要在准备好的 dataloader 中每次迭代开始时同步的随机数生成器列表。应为以下一项或多项:"torch"
: 基本 torch 随机数生成器"cuda"
: CUDA 随机数生成器(仅限 GPU)"xla"
: XLA 随机数生成器(仅限 TPU)"generator"
: 采样器(或批量采样器,如果你的 dataloader 中没有采样器)或可迭代数据集(如果存在)的torch.Generator
,如果底层数据集是该类型。
对于 PyTorch 版本 <=1.5.1,将默认为
["torch"]
,对于 PyTorch 版本 >= 1.6,将默认为["generator"]
。 - log_with (list of
str
, LoggerType or GeneralTracker, optional) — 要为实验跟踪设置的记录器列表。应为以下一项或多项:"all"
"tensorboard"
"wandb"
"comet_ml"
如果选择"all"
,将拾取环境中所有可用的跟踪器并初始化它们。还可以接受GeneralTracker
的实现以用于自定义跟踪器,并且可以与"all"
结合使用。
- project_config (ProjectConfiguration, optional) — 用于处理状态保存方式的配置。
- project_dir (
str
,os.PathLike
, optional) — 用于存储数据的目录路径,例如本地兼容记录器的日志以及可能保存的检查点。 - step_scheduler_with_optimizer (
bool
, optional, defaults toTrue
) — 如果学习率调度器与优化器同时进行步进,则设置为True
;如果仅在特定情况下(例如在每个 epoch 结束时)执行,则设置为False
。 - kwargs_handlers (list of KwargsHandler, optional) — KwargsHandler 的列表,用于自定义与分布式训练、性能分析或混合精度相关的对象的创建方式。有关更多信息,请参见 kwargs。
- dynamo_backend (
str
或 DynamoBackend, optional, defaults to"no"
) — 设置为可能的 dynamo 后端之一,以使用 torch dynamo 优化您的训练。 - dynamo_plugin (TorchDynamoPlugin, optional) — 用于配置 torch dynamo 应如何处理,如果需要比
backend
或mode
更多的调整。 - gradient_accumulation_plugin (GradientAccumulationPlugin, optional) — 用于配置梯度累积应如何处理,如果需要比
gradient_accumulation_steps
更多的调整。
创建用于分布式训练或混合精度训练的加速器实例。
可用属性
- device (
torch.device
) — 要使用的设备。 - distributed_type (DistributedType) — 分布式训练配置。
- local_process_index (
int
) — 当前机器上的进程索引。 - mixed_precision (
str
) — 配置的混合精度模式。 - num_processes (
int
) — 用于训练的总进程数。 - optimizer_step_was_skipped (
bool
) — 优化器更新是否被跳过(由于混合精度中的梯度溢出),在这种情况下,不应更改学习率。 - process_index (
int
) — 所有进程中当前进程的总体索引。 - state (AcceleratorState) — 分布式设置状态。
- sync_gradients (
bool
) — 当前是否正在跨所有进程同步梯度。 - use_distributed (
bool
) — 当前配置是否用于分布式训练。
accumulate
< source >( *models )
一个上下文管理器,它将轻微包装并自动执行梯度累积
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator(gradient_accumulation_steps=1)
>>> dataloader, model, optimizer, scheduler = accelerator.prepare(dataloader, model, optimizer, scheduler)
>>> for input, output in dataloader:
... with accelerator.accumulate(model):
... outputs = model(input)
... loss = loss_func(outputs)
... loss.backward()
... optimizer.step()
... scheduler.step()
... optimizer.zero_grad()
如果启用了自动混合精度,将在该上下文管理器的块内应用自动混合精度。否则,不会发生任何不同的事情。
可以传入不同的 autocast_handler
来覆盖在 Accelerator
对象中设置的处理器。这在 autocast
下您想要恢复为 fp32 的块中很有用。
根据 GradientAccumulationPlugin
缩放梯度,并根据配置调用正确的 backward()
。
应代替 loss.backward()
使用。
检查任何进程中的内部触发张量是否已设置为 1。如果是,将返回 True
并将触发张量重置为 0。
注意:不需要 wait_for_everyone()
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> # Assume later in the training script
>>> # `should_do_breakpoint` is a custom function to monitor when to break,
>>> # e.g. when the loss is NaN
>>> if should_do_breakpoint(loss):
... accelerator.set_trigger()
>>> # Assume later in the training script
>>> if accelerator.check_trigger():
... break
Accelerate.free_memory
的别名,释放对存储的内部对象的所有引用,并调用垃圾回收器。您应该在两个使用不同模型/优化器的训练之间调用此方法。
clip_grad_norm_
< source >( parameters max_norm norm_type = 2 ) → torch.Tensor
返回
torch.Tensor
参数梯度的总范数(视为单个向量)。
应代替 torch.nn.utils.clip_grad_norm_
使用。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator(gradient_accumulation_steps=2)
>>> dataloader, model, optimizer, scheduler = accelerator.prepare(dataloader, model, optimizer, scheduler)
>>> for input, target in dataloader:
... optimizer.zero_grad()
... output = model(input)
... loss = loss_func(output, target)
... accelerator.backward(loss)
... if accelerator.sync_gradients:
... accelerator.clip_grad_norm_(model.parameters(), max_grad_norm)
... optimizer.step()
应代替 torch.nn.utils.clip_grad_value_
使用。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator(gradient_accumulation_steps=2)
>>> dataloader, model, optimizer, scheduler = accelerator.prepare(dataloader, model, optimizer, scheduler)
>>> for input, target in dataloader:
... optimizer.zero_grad()
... output = model(input)
... loss = loss_func(output, target)
... accelerator.backward(loss)
... if accelerator.sync_gradients:
... accelerator.clip_grad_value_(model.parameters(), clip_value)
... optimizer.step()
运行任何特殊的结束训练行为,例如仅在主进程上停止跟踪器或销毁进程组。如果使用实验跟踪,则应始终在脚本末尾调用。
将释放对存储的内部对象的所有引用,并调用垃圾回收器。您应该在两个使用不同模型/优化器的训练之间调用此方法。 还会将 Accelerator.step
重置为 0。
gather
< source >( tensor ) → torch.Tensor
,或 torch.Tensor
的嵌套元组/列表/字典
在所有进程中收集tensor中的值,并将它们连接在第一个维度上。在进行评估时,可用于重新组合来自所有进程的预测。
注意:此收集发生在所有进程中。
gather_for_metrics
< source >( input_data use_gather_object = False )
收集 input_data
,并且如果在分布式系统上,则可能会删除最后一批中的重复项。 应用于收集输入和目标以进行指标计算。
示例
>>> # Assuming two processes, with a batch size of 5 on a dataset with 9 samples
>>> import torch
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> dataloader = torch.utils.data.DataLoader(range(9), batch_size=5)
>>> dataloader = accelerator.prepare(dataloader)
>>> batch = next(iter(dataloader))
>>> gathered_items = accelerator.gather_for_metrics(batch)
>>> len(gathered_items)
9
get_state_dict
< source >( model unwrap = True ) → dict
参数
- model (
torch.nn.Module
) — 通过 Accelerator.prepare() 发送的 PyTorch 模型 - unwrap (
bool
, optional, defaults toTrue
) — 是否返回model
的原始底层 state_dict,还是返回包装后的 state_dict
返回
dict
模型的 state dictionary,可能没有完整精度。
返回通过 Accelerator.prepare() 发送的模型的 state dictionary,可能没有完整精度。
get_tracker
< source >( name: str unwrap: bool = False ) → GeneralTracker
仅在主进程上,基于 name
从 self.trackers
返回一个 tracker
。
join_uneven_inputs
< source >( joinables even_batches = None )
一个上下文管理器,用于在不均匀输入上进行分布式训练或评估,它充当 torch.distributed.algorithms.join
的包装器。当总批次大小不能均匀地划分数据集长度时,这非常有用。
join_uneven_inputs
仅支持在多个 GPU 上的分布式数据并行训练。对于任何其他配置,此方法将不起作用。
覆盖 even_batches
不会影响可迭代样式的数据加载器。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator(even_batches=True)
>>> ddp_model, optimizer, dataloader = accelerator.prepare(model, optimizer, dataloader)
>>> with accelerator.join_uneven_inputs([ddp_model], even_batches=False):
... for input, output in dataloader:
... outputs = model(input)
... loss = loss_func(outputs)
... loss.backward()
... optimizer.step()
... optimizer.zero_grad()
load_state
< source >( input_dir: str = None **load_model_func_kwargs )
加载模型、优化器、scaler、RNG 生成器和已注册对象的当前状态。
应仅与 Accelerator.save_state() 结合使用。如果文件未注册以进行检查点保存,即使存储在目录中也不会被加载。
允许本地主进程进入 with 代码块。
其他进程将在主进程退出后进入 with 代码块。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> with accelerator.local_main_process_first():
... # This will be printed first by local process 0 then in a seemingly
... # random order by the other processes.
... print(f"This will be printed by process {accelerator.local_process_index}")
在 LOMO 优化器上运行反向传播。
允许主进程首先进入 with 代码块。
其他进程将在主进程退出后进入 with 代码块。
一个上下文管理器,用于通过调用 torch.nn.parallel.DistributedDataParallel.no_sync
来禁用跨 DDP 进程的梯度同步。
如果 model
不在 DDP 中,则此上下文管理器不执行任何操作。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> dataloader, model, optimizer = accelerator.prepare(dataloader, model, optimizer)
>>> input_a = next(iter(dataloader))
>>> input_b = next(iter(dataloader))
>>> with accelerator.no_sync():
... outputs = model(input_a)
... loss = loss_func(outputs)
... accelerator.backward(loss)
... # No synchronization across processes, only accumulate gradients
>>> outputs = model(input_b)
>>> accelerator.backward(loss)
>>> # Synchronization across all processes
>>> optimizer.step()
>>> optimizer.zero_grad()
一个装饰器,它将仅在最后一个进程上运行被装饰的函数。也可以使用 PartialState
类调用。
on_local_main_process
< source >( function: Callable[..., Any] = None )
一个装饰器,它将仅在本地主进程上运行被装饰的函数。也可以使用 PartialState
类调用。
示例
# Assume we have 2 servers with 4 processes each.
from accelerate import Accelerator
accelerator = Accelerator()
@accelerator.on_local_main_process
def print_something():
print("This will be printed by process 0 only on each server.")
print_something()
# On server 1:
"This will be printed by process 0 only"
# On server 2:
"This will be printed by process 0 only"
on_local_process
< source >( function: Callable[..., Any] = None local_process_index: int = None )
一个装饰器,它将仅在给定的本地进程索引上运行被装饰的函数。也可以使用 PartialState
类调用。
示例
# Assume we have 2 servers with 4 processes each.
from accelerate import Accelerator
accelerator = Accelerator()
@accelerator.on_local_process(local_process_index=2)
def print_something():
print(f"Printed on process {accelerator.local_process_index}")
print_something()
# On server 1:
"Printed on process 2"
# On server 2:
"Printed on process 2"
一个装饰器,它将仅在主进程上运行被装饰的函数。也可以使用 PartialState
类调用。
on_process
< source >( function: Callable[..., Any] = None process_index: int = None )
一个装饰器,将仅在给定的进程索引上运行被装饰的函数。 也可以使用 PartialState
类调用。
pad_across_processes
< source >( tensor dim = 0 pad_index = 0 pad_first = False ) → torch.Tensor
,或 torch.Tensor
的嵌套元组/列表/字典
递归地填充来自所有设备的张量,使其在嵌套列表/元组/字典中达到相同大小,以便可以安全地收集它们。
示例
>>> # Assuming two processes, with the first processes having a tensor of size 1 and the second of size 2
>>> import torch
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> process_tensor = torch.arange(accelerator.process_index + 1).to(accelerator.device)
>>> padded_tensor = accelerator.pad_across_processes(process_tensor)
>>> padded_tensor.shape
torch.Size([2])
prepare
< source >( *args device_placement = None )
准备在 args
中传递的所有对象,以进行分布式训练和混合精度,然后以相同的顺序返回它们。
如果您仅将模型用于推理,而没有任何类型的混合精度,则无需准备模型
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> # Assume a model, optimizer, data_loader and scheduler are defined
>>> model, optimizer, data_loader, scheduler = accelerator.prepare(model, optimizer, data_loader, scheduler)
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> # Assume a model, optimizer, data_loader and scheduler are defined
>>> device_placement = [True, True, False, False]
>>> # Will place the first two items passed in automatically to the right device but not the last two.
>>> model, optimizer, data_loader, scheduler = accelerator.prepare(
... model, optimizer, data_loader, scheduler, device_placement=device_placement
... )
prepare_data_loader
< source >( data_loader: torch.utils.data.DataLoader device_placement = None slice_fn_for_dispatch = None )
参数
- data_loader (
torch.utils.data.DataLoader
) — 要准备的原始 PyTorch DataLoader - device_placement (
bool
, optional) — 是否在准备好的数据加载器中将批次放置在正确的设备上。 将默认为self.device_placement
。 - slice_fn_for_dispatch (
Callable
, optional) -- 如果传递,此函数将用于跨
num_processes切片张量。 将默认为 [slice_tensors()](/docs/accelerate/v1.6.0/en/package_reference/utilities#accelerate.utils.slice_tensors)。 此参数仅在
dispatch_batches设置为
True` 时使用,否则将被忽略。
准备用于在任何分布式设置中训练的 PyTorch DataLoader。 建议使用 Accelerator.prepare() 代替。
prepare_model
< source >( model: torch.nn.Module device_placement: bool = None evaluation_mode: bool = False )
准备用于在任何分布式设置中训练的 PyTorch 模型。 建议使用 Accelerator.prepare() 代替。
prepare_optimizer
< source >( optimizer: torch.optim.Optimizer device_placement = None )
准备用于在任何分布式设置中训练的 PyTorch 优化器。 建议使用 Accelerator.prepare() 代替。
prepare_scheduler
< source >( scheduler: LRScheduler )
准备用于在任何分布式设置中训练的 PyTorch 调度器。 建议使用 Accelerator.prepare() 代替。
print()
的替代品,仅在每台服务器上打印一次。
profile
< source >( profile_handler: ProfileKwargs | None = None )
将对上下文管理器内的代码进行性能分析。如果设置了 profile_handler.output_trace_dir
,性能分析结果将保存到 Chrome Trace 文件中。
可以传入不同的 profile_handler
来覆盖在 Accelerator
对象中设置的处理器。
示例
# Profile with default settings
from accelerate import Accelerator
from accelerate.utils import ProfileKwargs
accelerator = Accelerator()
with accelerator.profile() as prof:
train()
accelerator.print(prof.key_averages().table())
# Profile with the custom handler
def custom_handler(prof):
print(prof.key_averages().table(sort_by="self_cpu_time_total", row_limit=10))
kwargs = ProfileKwargs(schedule_option=dict(wait=1, warmup=1, active=1), on_trace_ready=custom_handler)
accelerator = Accelerator(kwarg_handler=[kwargs])
with accelerator.profile() as prof:
for _ in range(10):
train_iteration()
prof.step()
# Profile and export to Chrome Trace
kwargs = ProfileKwargs(output_trace_dir="output_trace")
accelerator = Accelerator(kwarg_handler=[kwargs])
with accelerator.profile():
train()
reduce
< 源代码 >( tensor reduction = 'sum' scale = 1.0 ) → torch.Tensor
,或 torch.Tensor
的嵌套元组/列表/字典
基于 reduction
,在所有进程中归约 tensor
中的值。
注意:所有进程都会获得归约后的值。
示例
>>> # Assuming two processes
>>> import torch
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> process_tensor = torch.arange(accelerator.num_processes) + 1 + (2 * accelerator.process_index)
>>> process_tensor = process_tensor.to(accelerator.device)
>>> reduced_tensor = accelerator.reduce(process_tensor, reduction="sum")
>>> reduced_tensor
tensor([4, 6])
记录 objects
,并在 save_state
或 load_state
期间保存或加载它们。
这些对象应在同一脚本中加载或保存状态时使用。它不适用于在不同的脚本中使用。
每个 object
都必须具有 load_state_dict
和 state_dict
函数才能被存储。
register_load_state_pre_hook
< 源代码 >( hook: Callable[..., None] ) → torch.utils.hooks.RemovableHandle
参数
- hook (`Callable`) — 在 Accelerator.load_state() 中的
load_checkpoint
之前调用的函数。
返回
torch.utils.hooks.RemovableHandle
一个句柄,可用于通过调用 handle.remove()
来移除添加的钩子
注册一个预钩子,使其在 Accelerator.load_state() 中调用 load_checkpoint
之前运行。
钩子应具有以下签名
hook(models: list[torch.nn.Module], input_dir: str) -> None
`models` 参数是在加速器状态中 accelerator._models
下保存的模型,input_dir
参数是传递给 Accelerator.load_state() 的 input_dir
参数。
应仅与 Accelerator.register_save_state_pre_hook() 结合使用。除了模型权重外,还可以用于加载配置。也可以用于使用自定义方法覆盖模型加载。在这种情况下,请确保从模型列表中删除已加载的模型。
register_save_state_pre_hook
< 源代码 >( hook: Callable[..., None] ) → torch.utils.hooks.RemovableHandle
参数
- hook (`Callable`) — 在 Accelerator.save_state() 中的
save_checkpoint
之前调用的函数。
返回
torch.utils.hooks.RemovableHandle
一个句柄,可用于通过调用 handle.remove()
来移除添加的钩子
注册一个预钩子,使其在 Accelerator.save_state() 中调用 save_checkpoint
之前运行。
钩子应具有以下签名
hook(models: list[torch.nn.Module], weights: list[dict[str, torch.Tensor]], input_dir: str) -> None
`models` 参数是在加速器状态中 accelerator._models
下保存的模型,weights
参数是 models
的状态字典,input_dir
参数是传递给 Accelerator.load_state() 的 input_dir
参数。
应仅与 Accelerator.register_load_state_pre_hook() 结合使用。除了模型权重外,还可以用于保存配置。也可以用于使用自定义方法覆盖模型保存。在这种情况下,请确保从权重列表中删除已加载的权重。
save
< 源代码 >( obj f safe_serialization = False )
每个机器将传递的对象保存到磁盘一次。代替 torch.save
使用。
注意:如果 save_on_each_node
作为 ProjectConfiguration
传入,则每个节点将保存对象一次,而不是仅在主节点上保存一次。
save_model
< 源代码 >( model: torch.nn.Module save_directory: Union[str, os.PathLike] max_shard_size: Union[int, str] = '10GB' safe_serialization: bool = True )
参数
- model — (`torch.nn.Module`):要保存的模型。模型可以是包装的或未包装的。
- save_directory (`str` 或 `os.PathLike`) — 要保存到的目录。如果不存在,将创建该目录。
- max_shard_size (`int` 或 `str`,*可选*,默认为 `"10GB"`) — 分片前检查点的最大大小。检查点分片的大小将小于此大小。如果表示为字符串,则需要是数字后跟单位(例如 `"5MB"`)。
如果模型的单个权重大于
max_shard_size
,它将位于自己的检查点分片中,该分片将大于max_shard_size
。 - safe_serialization (`bool`,*可选*,默认为 `True`) — 是否使用
safetensors
或传统的 PyTorch 方式(使用 `pickle`)保存模型。
保存模型,以便可以使用 `load_checkpoint_in_model` 重新加载
save_state
< 源代码 >( output_dir: str = None safe_serialization: bool = True **save_model_func_kwargs )
将模型、优化器、scaler、RNG 生成器和注册对象的当前状态保存到一个文件夹中。
如果将启用了 automatic_checkpoint_naming
的 ProjectConfiguration
传递给 Accelerator
对象,则检查点将保存到 self.project_dir/checkpoints
。如果当前保存的数量大于 total_limit
,则会删除最旧的保存。每个检查点都保存在名为 checkpoint_
的单独文件夹中。
否则,它们将仅保存到 output_dir
。
仅应在希望在训练期间保存检查点并在同一环境中恢复状态时使用。
在当前进程上将内部触发张量设置为 1。后续应使用此张量进行检查,该检查将跨所有进程进行。
注意:不需要 wait_for_everyone()
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> # Assume later in the training script
>>> # `should_do_breakpoint` is a custom function to monitor when to break,
>>> # e.g. when the loss is NaN
>>> if should_do_breakpoint(loss):
... accelerator.set_trigger()
>>> # Assume later in the training script
>>> if accelerator.check_breakpoint():
... break
skip_first_batches
< source >( dataloader num_batches: int = 0 )
创建一个新的 torch.utils.data.DataLoader
,它将有效地跳过前 num_batches
个批次。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> dataloader, model, optimizer, scheduler = accelerator.prepare(dataloader, model, optimizer, scheduler)
>>> skipped_dataloader = accelerator.skip_first_batches(dataloader, num_batches=2)
>>> # for the first epoch only
>>> for input, target in skipped_dataloader:
... optimizer.zero_grad()
... output = model(input)
... loss = loss_func(output, target)
... accelerator.backward(loss)
... optimizer.step()
>>> # subsequent epochs
>>> for input, target in dataloader:
... optimizer.zero_grad()
... ...
split_between_processes
< source >( inputs: list | tuple | dict | torch.Tensor apply_padding: bool = False )
在 self.num_processes
之间快速拆分 input
,然后可以在该进程上使用。在执行分布式推理时很有用,例如使用不同的提示。
请注意,当使用 dict
时,所有键都需要具有相同数量的元素。
示例
# Assume there are two processes
from accelerate import Accelerator
accelerator = Accelerator()
with accelerator.split_between_processes(["A", "B", "C"]) as inputs:
print(inputs)
# Process 0
["A", "B"]
# Process 1
["C"]
with accelerator.split_between_processes(["A", "B", "C"], apply_padding=True) as inputs:
print(inputs)
# Process 0
["A", "B"]
# Process 1
["C", "C"]
在 Accelerator.no_sync
下的多次前向传递之后,触发模型下一次反向传递中的梯度同步(仅适用于多 GPU 场景)。
如果脚本未在分布式模式下启动,则此上下文管理器不执行任何操作。
示例
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> dataloader, model, optimizer = accelerator.prepare(dataloader, model, optimizer)
>>> with accelerator.no_sync():
... loss_a = loss_func(model(input_a)) # first forward pass
... loss_b = loss_func(model(input_b)) # second forward pass
>>> accelerator.backward(loss_a) # No synchronization across processes, only accumulate gradients
>>> with accelerator.trigger_sync_in_backward(model):
... accelerator.backward(loss_b) # Synchronization across all processes
>>> optimizer.step()
>>> optimizer.zero_grad()
unscale_gradients
< source >( optimizer = None )
参数
- optimizer (
torch.optim.Optimizer
或list[torch.optim.Optimizer]
, 可选) — 要取消缩放梯度的优化器。如果未设置,则将取消缩放传递给 prepare() 的所有优化器的梯度。
在使用 AMP 进行混合精度训练时取消缩放梯度。这在所有其他设置中都是空操作。
可能应该通过 Accelerator.clipgrad_norm() 或 Accelerator.clipgrad_value() 调用
unwrap_model
< source >( model keep_fp32_wrapper: bool = True keep_torch_compile: bool = True ) → torch.nn.Module
从 prepare() 可能添加的附加层中解包 model
。在保存模型之前很有用。
示例
>>> # Assuming two GPU processes
>>> from torch.nn.parallel import DistributedDataParallel
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> model = accelerator.prepare(MyModel())
>>> print(model.__class__.__name__)
DistributedDataParallel
>>> model = accelerator.unwrap_model(model)
>>> print(model.__class__.__name__)
MyModel
验证 model
是否未使用类似于 auto
的设备映射通过大型模型推理进行准备。
将停止当前进程的执行,直到每个其他进程都到达该点(因此,当脚本仅在一个进程中运行时,这不会执行任何操作)。在保存模型之前执行此操作很有用。
示例
>>> # Assuming two GPU processes
>>> import time
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
>>> if accelerator.is_main_process:
... time.sleep(2)
>>> else:
... print("I'm waiting for the main process to finish its sleep...")
>>> accelerator.wait_for_everyone()
>>> # Should print on every process at the same time
>>> print("Everyone is here")
实用工具
accelerate.utils.gather_object
< source >( object: typing.Any )
递归地从所有设备收集嵌套列表/元组/字典中的对象。