Hugging Face's logo

Accelerate 文档

加速器

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

加速器

Accelerator 类是用于在任何类型的训练设置上启用分布式训练的主类。阅读将 Accelerate 添加到你的代码中教程，以了解有关如何将 Accelerator 添加到你的脚本的更多信息。

Accelerator

类 accelerate.Accelerator

< >

( device_placement: bool = True split_batches: bool = <object object at 0x7fbbc259cc60> 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 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 deepspeed_plugins: DeepSpeedPlugin | dict[str, DeepSpeedPlugin] | None = None )

参数

  • device_placement (bool, 可选，默认为 True) — 加速器是否应将对象放置在设备上（dataloader、模型等产生的张量...）。
  • mixed_precision (str, 可选) — 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 配置中的默认值或使用 accelerate.launch 命令传递的标志。‘fp8’ 需要安装 transformers-engine。
  • gradient_accumulation_steps (int, 可选，默认为 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，则默认为环境变量 ACCELERATE_GRADIENT_ACCUMULATION_STEPS 中的值。也可以通过 GradientAccumulationPlugin 进行配置。
  • cpu (bool, 可选) — 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, 可选) — dataloader 在分布式场景中应如何处理的配置。
  • deepspeed_plugin (DeepSpeedPlugin 或 str 字典 — DeepSpeedPlugin, 可选): 使用此参数调整你的 DeepSpeed 相关参数。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，请使用每个插件的已配置 key 属性，以便从 accelerator.state.get_deepspeed_plugin(key) 访问它们。deepspeed_plugins 的别名。
  • fsdp_plugin (FullyShardedDataParallelPlugin, 可选) — 使用此参数调整你的 FSDP 相关参数。此参数是可选的，可以直接使用accelerate config 进行配置
  • megatron_lm_plugin (MegatronLMPlugin, 可选) — 使用此参数调整你的 MegatronLM 相关参数。此参数是可选的，可以直接使用accelerate config 进行配置
  • rng_types (字符串列表或 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": 采样器的 torch.Generator（或批采样器，如果 dataloader 中没有采样器），或者如果底层数据集是该类型，则为可迭代数据集的 torch.Generator。

    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 (字符串列表, LoggerType 或 GeneralTracker, 可选) — 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"，将选取环境中所有可用的跟踪器并初始化它们。也可以接受 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, 可选) — 用于处理状态保存的配置。
  • project_dir (str, os.PathLike, 可选) — 用于存储数据的目录路径，例如本地兼容记录器的日志和可能保存的检查点。
  • step_scheduler_with_optimizer (bool, 可选，默认为 True) — 如果学习率调度器与优化器同时步进，则设置为 True；如果仅在某些情况下（例如，在每个 epoch 结束时）执行，则设置为 False。
  • kwargs_handlers (KwargsHandler 的列表, 可选) — 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，请参阅 kwargs。
  • dynamo_backend (str 或 DynamoBackend, 可选, 默认为 "no") — 设置为可能的 dynamo 后端之一，以使用 torch dynamo 优化您的训练。
  • gradient_accumulation_plugin (GradientAccumulationPlugin, 可选) — 用于配置梯度累积应如何处理的配置，如果需要比 gradient_accumulation_steps 更多的调整。

创建用于分布式训练（在多 GPU、TPU 上）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) — 用于训练的进程总数。
  • optimizer_step_was_skipped (bool) — 是否跳过了优化器更新（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

< >

( *models )

参数

  • *models (torch.nn.Module 的列表) — 使用 Accelerator.prepare 准备的 PyTorch 模块。 传递给 accumulate() 的模型将在分布式训练的反向传播期间跳过梯度同步

一个上下文管理器，它将轻微包装并在后台自动执行梯度累积

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()

autocast

< >

( autocast_handler: AutocastKwargs = None )

如果启用了自动混合精度，将在该上下文管理器内的代码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 以覆盖在 Accelerator 对象中设置的处理器。 这在 autocast 下的代码块中很有用，您希望在其中恢复为 fp32。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator(mixed_precision="fp16")
>>> with accelerator.autocast():
...     train()

backward

< >

( loss **kwargs )

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。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator(gradient_accumulation_steps=2)
>>> outputs = model(inputs)
>>> loss = loss_fn(outputs, labels)
>>> accelerator.backward(loss)

check_trigger

< >

( )

检查内部触发张量是否在任何进程中设置为 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

clear

< >

( *objects )

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。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model, optimizer, scheduler = ...
>>> model, optimizer, scheduler = accelerator.prepare(model, optimizer, scheduler)
>>> model, optimizer, scheduler = accelerator.clear(model, optimizer, scheduler)

clip_grad_norm_

< >

( 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()

clip_grad_value_

< >

( parameters clip_value )

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()

end_training

< >

( )

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。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator(log_with="tensorboard")
>>> accelerator.init_trackers("my_project")
>>> # Do training
>>> accelerator.end_training()

free_memory

< >

( *objects )

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。 此外，还会将 Accelerator.step 重置为 0。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model, optimizer, scheduler = ...
>>> model, optimizer, scheduler = accelerator.prepare(model, optimizer, scheduler)
>>> model, optimizer, scheduler = accelerator.free_memory(model, optimizer, scheduler)

gather

< >

( tensor ) → torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

参数

  • tensor (torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典) — 要跨所有进程收集的张量。

返回

torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

收集的张量。 请注意，结果的第一个维度是 num_processes 乘以输入张量的第一个维度。

在所有进程中收集 tensor 中的值，并在第一个维度上连接它们。 在执行评估时，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。

示例

>>> # Assuming four processes
>>> import torch
>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> process_tensor = torch.tensor([accelerator.process_index])
>>> gathered_tensor = accelerator.gather(process_tensor)
>>> gathered_tensor
tensor([0, 1, 2, 3])

gather_for_metrics

< >

( input_data use_gather_object = False )

参数

  • input (torch.Tensor, object，torch.Tensor 的嵌套元组/列表/字典，或 object 的嵌套元组/列表/字典) — 用于跨所有进程计算指标的张量或对象 use_gather_object(bool) — 是否强制使用 gather_object 而不是 gather（如果传递的所有对象都不包含张量，则已完成此操作）。 此标志对于收集大小不同的张量很有用，我们不想沿第一维度填充和连接这些张量。 将其与 GPU 张量一起使用不太受支持且效率低下，因为它会导致 GPU -> CPU 传输，因为张量将被 pickle 序列化。

收集 input_data，并可能在分布式系统上删除最后一个批次中的重复项。 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

< >

( model unwrap = True ) → dict

参数

  • model (torch.nn.Module) — 通过 Accelerator.prepare() 发送的 PyTorch 模型
  • unwrap (bool, 可选, 默认为 True) — 是否返回 model 的原始底层 state_dict 或返回包装后的 state_dict

返回

dict

模型的 state dictionary，可能不包含完整精度。

返回通过 Accelerator.prepare() 发送的模型的 state dictionary，可能不包含完整精度。

示例

>>> import torch
>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> net = torch.nn.Linear(2, 2)
>>> net = accelerator.prepare(net)
>>> state_dict = accelerator.get_state_dict(net)

get_tracker

< >

( name: str unwrap: bool = False ) → GeneralTracker

参数

  • name (str) — 跟踪器的名称，对应于 .name 属性。
  • unwrap (bool) — 是否返回内部跟踪机制，还是返回包装后的跟踪器（推荐）。

返回

GeneralTracker

如果存在，则返回与 name 对应的跟踪器。

仅在主进程上，基于 name 从 self.trackers 返回一个 tracker。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator(log_with="tensorboard")
>>> accelerator.init_trackers("my_project")
>>> tensorboard_tracker = accelerator.get_tracker("tensorboard")

join_uneven_inputs

< >

( joinables even_batches = None )

参数

  • joinables (list[torch.distributed.algorithms.Joinable]) — 继承自 torch.distributed.algorithms.Joinable 的模型或优化器列表。 最常见的是使用 Accelerator.prepare 为 DistributedDataParallel 训练准备的 PyTorch 模块。
  • even_batches (bool, 可选) — 如果设置，这将覆盖在 Accelerator 中设置的 even_batches 的值。 如果未提供，将使用默认的 Accelerator 值。

一个上下文管理器，用于促进在不均匀输入上的分布式训练或评估，它充当 torch.distributed.algorithms.join 的包装器。 当总批次大小不能均匀地除以数据集的长度时，这非常有用。

join_uneven_inputs 仅支持在多个 GPU 上进行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

< >

( input_dir: str = None **load_model_func_kwargs )

参数

  • input_dir (str 或 os.PathLike) — 保存所有相关权重和状态的文件夹名称。 如果使用 automatic_checkpoint_naming，则可以为 None，并将从最新的检查点恢复。
  • load_model_func_kwargs (dict, 可选) — 用于加载模型的其他关键字参数，可以传递给底层的加载函数，例如 DeepSpeed 的 load_checkpoint 函数的可选参数，或者用于将模型和优化器加载到特定位置的 map_location。

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。 如果文件未注册用于检查点保存，即使存储在目录中也不会加载。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model, optimizer, lr_scheduler = ...
>>> model, optimizer, lr_scheduler = accelerator.prepare(model, optimizer, lr_scheduler)
>>> accelerator.load_state("my_checkpoint")

local_main_process_first

< >

( )

让本地主进程先进入 with 代码块。

其他进程将在主进程退出后进入 with 代码块。

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}")

lomo_backward

< >

( loss: torch.Tensor learning_rate: float )

在 LOMO 优化器上运行反向传播。

main_process_first

< >

( )

让主进程先进入 with 代码块。

其他进程将在主进程退出后进入 with 代码块。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> with accelerator.main_process_first():
...     # This will be printed first by process 0 then in a seemingly
...     # random order by the other processes.
...     print(f"This will be printed by process {accelerator.process_index}")

no_sync

< >

( model )

参数

  • model (torch.nn.Module) — 使用 Accelerator.prepare 准备的 PyTorch 模块

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()

on_last_process

< >

( function: Callable[..., Any] )

参数

  • function (Callable) — 要装饰的函数。

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。

示例

# Assume we have 4 processes.
from accelerate import Accelerator

accelerator = Accelerator()


@accelerator.on_last_process
def print_something():
    print(f"Printed on process {accelerator.process_index}")


print_something()
"Printed on process 3"

on_local_main_process

< >

( function: Callable[..., Any] = None )

参数

  • function (Callable) — 要装饰的函数。

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

< >

( function: Callable[..., Any] = None local_process_index: int = None )

参数

  • function (Callable, 可选) — 要装饰的函数。
  • local_process_index (int, 可选) — 要在其上运行函数的本地进程的索引。

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"

on_main_process

< >

( function: Callable[..., Any] = None )

参数

  • function (Callable) — 要装饰的函数。

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。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()


>>> @accelerator.on_main_process
... def print_something():
...     print("This will be printed by process 0 only.")


>>> print_something()
"This will be printed by process 0 only"

on_process

< >

( function: Callable[..., Any] = None process_index: int = None )

参数

  • function (Callable, optional) — 要装饰的函数。
  • process_index (int, optional) — 要在其上运行进程的索引。

一个装饰器，它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。

示例

# Assume we have 4 processes.
from accelerate import Accelerator

accelerator = Accelerator()


@accelerator.on_process(process_index=2)
def print_something():
    print(f"Printed on process {accelerator.process_index}")


print_something()
"Printed on process 2"

pad_across_processes

< >

( tensor dim = 0 pad_index = 0 pad_first = False ) → torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

参数

  • tensor (torch.Tensor 的嵌套列表/元组/字典) — 要收集的数据。
  • dim (int, 可选, 默认为 0) — 要在其上进行填充的维度。
  • pad_index (int, 可选, 默认为 0) — 用于填充的值。
  • pad_first (bool, 可选, 默认为 False) — 是否在开头或结尾进行填充。

返回

torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

填充后的张量。

递归地填充来自所有设备的张量嵌套列表/元组/字典中的张量，使其大小相同，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

< >

( *args device_placement = None )

参数

  • *args (对象列表) — 以下类型的对象中的任何一个：

    • torch.utils.data.DataLoader: PyTorch 数据加载器
    • torch.nn.Module: PyTorch 模块
    • torch.optim.Optimizer: PyTorch 优化器
    • torch.optim.lr_scheduler.LRScheduler: PyTorch LR 调度器
  • device_placement (list[bool], 可选) — 用于自定义是否应为每个传递的对象执行自动设备放置。 需要是与 args 长度相同的列表。 与 DeepSpeed 或 FSDP 不兼容。

为分布式训练和混合精度准备在 args 中传递的所有对象，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 to 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

< >

( 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, 可选) — 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, 可选) -- 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/v1.0.1/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。

为任何分布式设置中的训练准备 PyTorch DataLoader。 建议改用 Accelerator.prepare()。

示例

>>> import torch
>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> data_loader = torch.utils.data.DataLoader(...)
>>> data_loader = accelerator.prepare_data_loader(data_loader, device_placement=True)

prepare_model

< >

( model: torch.nn.Module device_placement: bool = None evaluation_mode: bool = False )

参数

  • model (torch.nn.Module) — 要准备的 PyTorch 模型。 如果模型仅用于推理，而没有任何类型的混合精度，则无需准备模型
  • device_placement (bool, 可选) — 是否将模型放置在正确的设备上。 将默认为 self.device_placement。
  • evaluation_mode (bool, 可选, 默认为 False) — 是否仅通过应用混合精度和 torch.compile（如果在 Accelerator 对象中配置）将模型设置为仅评估模式。

为任何分布式设置中的训练准备 PyTorch 模型。 建议改用 Accelerator.prepare()。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> # Assume a model is defined
>>> model = accelerator.prepare_model(model)

prepare_optimizer

< >

( optimizer: torch.optim.Optimizer device_placement = None )

参数

  • optimizer (torch.optim.Optimizer) — 要准备的原始 PyTorch 优化器
  • device_placement (bool, 可选) — 是否将优化器放置在正确的设备上。 将默认为 self.device_placement。

为任何分布式设置中的训练准备 PyTorch 优化器。 建议改用 Accelerator.prepare()。

示例

>>> import torch
>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> optimizer = torch.optim.Adam(...)
>>> optimizer = accelerator.prepare_optimizer(optimizer, device_placement=True)

prepare_scheduler

< >

( scheduler: LRScheduler )

参数

  • scheduler (torch.optim.lr_scheduler.LRScheduler) — 要准备的原始 PyTorch 调度器

为任何分布式设置中的训练准备 PyTorch 调度器。 建议改用 Accelerator.prepare()。

示例

>>> import torch
>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> optimizer = torch.optim.Adam(...)
>>> scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, ...)
>>> scheduler = accelerator.prepare_scheduler(scheduler)

print

< >

( *args **kwargs )

print() 的替代品，仅在每台服务器上打印一次。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> accelerator.print("Hello world!")

profile

< >

( profile_handler: ProfileKwargs | None = None )

参数

  • profile_handler (ProfileKwargs, 可选) — 用于此上下文管理器的配置文件处理程序。 如果未传递，将使用在 Accelerator 对象中设置的处理程序。

将分析上下文管理器内部的代码。 如果设置了 profile_handler.output_trace_dir，则配置文件将保存到 Chrome Trace 文件。

可以传入不同的 profile_handler 来覆盖在 Accelerator 对象中设置的处理程序。

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

< >

( tensor reduction = 'sum' scale = 1.0 ) → torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

参数

  • tensor (torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典) — 要在所有进程中缩减的张量。
  • reduction (str，可选，默认为 “sum”) — 缩减类型，可以是 ‘sum’、‘mean’ 或 ‘none’ 之一。如果为 ‘none’，则不执行任何操作。
  • scale (float，可选，默认为 1.0) — 缩减后应用的默认缩放值，仅在 XLA 上有效。

返回

torch.Tensor，或 torch.Tensor 的嵌套元组/列表/字典

缩减后的张量。

基于 reduction 跨所有进程缩减 tensor 中的值。

注意：所有进程都获得缩减后的值。

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])

register_for_checkpointing

< >

( *objects )

记录 objects，并在 save_state 或 load_state 期间保存或加载它们。

当状态在同一脚本中加载或保存时，应使用这些对象。它并非设计用于不同的脚本。

每个 object 都必须具有 load_state_dict 和 state_dict 函数才能被存储。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> # Assume `CustomObject` has a `state_dict` and `load_state_dict` function.
>>> obj = CustomObject()
>>> accelerator.register_for_checkpointing(obj)
>>> accelerator.save_state("checkpoint.pt")

register_load_state_pre_hook

< >

( hook: Callable[..., None] ) → torch.utils.hooks.RemovableHandle

参数

返回

torch.utils.hooks.RemovableHandle

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

注册一个预钩子，使其在 Accelerator.load_state() 中调用 load_checkpoint 之前运行。

该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下以 accelerator._models 保存的模型，而 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

< >

( hook: Callable[..., None] ) → torch.utils.hooks.RemovableHandle

参数

返回

torch.utils.hooks.RemovableHandle

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

注册一个预钩子，使其在 Accelerator.save_state() 中调用 save_checkpoint 之前运行。

该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下以 accelerator._models 保存的模型，weigths 参数是 models 的状态字典，而 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

< >

( obj f safe_serialization = False )

参数

  • obj (object) — 要保存的对象。
  • f (str 或 os.PathLike) — 保存 obj 内容的位置。
  • safe_serialization (bool，可选，默认为 False) — 是否使用 safetensors 保存 obj

在每台机器上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，则每个节点保存一次对象，而不是仅在主节点上保存一次。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> arr = [0, 1, 2, 3]
>>> accelerator.save(arr, "array.pkl")

save_model

< >

( model: torch.nn.Module save_directory: Union[str, os.PathLike] max_shard_size: Union[int, str] = '10GB' safe_serialization: bool = True )

参数

  • 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") — 分片之前的检查点最大大小。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，则它将位于其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

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model = ...
>>> accelerator.save_model(model, save_directory)

save_state

< >

( output_dir: str = None safe_serialization: bool = True **save_model_func_kwargs )

参数

  • output_dir (str 或 os.PathLike) — 用于保存所有相关权重和状态的文件夹名称。
  • 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。
  • save_model_func_kwargs (dict，可选) — 用于保存模型的其他关键字参数，可以传递给底层保存函数，例如 DeepSpeed 的 save_checkpoint 函数的可选参数。

将模型、优化器、scaler、RNG 生成器和注册对象的当前状态保存到文件夹中。

如果 ProjectConfiguration 传递给启用了 automatic_checkpoint_naming 的 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，则删除最旧的保存。每个检查点都保存在名为 checkpoint_<iteration> 的单独文件夹中。

否则，它们只会保存到 output_dir。

仅在想要在训练期间保存检查点并在同一环境中恢复状态时使用。

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model, optimizer, lr_scheduler = ...
>>> model, optimizer, lr_scheduler = accelerator.prepare(model, optimizer, lr_scheduler)
>>> accelerator.save_state(output_dir="my_checkpoint")

set_trigger

< >

( )

在当前进程上将内部触发张量设置为 1。后续应使用此项进行检查，这将跨所有进程进行检查。

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

< >

( dataloader num_batches: int = 0 )

参数

  • dataloader (torch.utils.data.DataLoader) — 要在其中跳过批次的数据加载器。
  • num_batches (int，可选，默认为 0) — 要跳过的批次数

创建一个新的 torch.utils.data.DataLoader，它将高效地跳过前 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

< >

( inputs: list | tuple | dict | torch.Tensor apply_padding: bool = False )

参数

  • inputs (list, tuple, torch.Tensor, 或 dict of list/tuple/torch.Tensor) — 要在进程之间拆分的输入。
  • apply_padding (bool, optional, 默认为 False) — 是否通过重复输入中的最后一个元素来应用填充，以便所有进程都具有相同数量的元素。当尝试对输出执行诸如 Accelerator.gather() 之类的操作或传入少于进程数的输入时很有用。如果是这样，只需记住之后删除填充的元素。

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"]

trigger_sync_in_backward

< >

( model )

参数

  • model (torch.nn.Module) — 要为其触发梯度同步的模型。

在 Accelerator.no_sync 下进行多次前向传递后，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）。

如果脚本不是在分布式模式下启动的，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

< >

( 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，则将在传递给 prepare() 的所有优化器上取消缩放梯度。

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

示例

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()
>>> model, optimizer = accelerator.prepare(model, optimizer)
>>> outputs = model(inputs)
>>> loss = loss_fn(outputs, labels)
>>> accelerator.backward(loss)
>>> accelerator.unscale_gradients(optimizer=optimizer)

unwrap_model

< >

( model keep_fp32_wrapper: bool = True ) → torch.nn.Module

参数

  • model (torch.nn.Module) — 要解包的模型。
  • keep_fp32_wrapper (bool, 可选, 默认为 True) — 如果添加了混合精度钩子，是否不移除它。

返回

torch.nn.Module

解包后的模型。

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

verify_device_map

< >

( model: torch.nn.Module )

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。

wait_for_everyone

< >

( )

将停止当前进程的执行，直到所有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")

实用程序

accelerate.utils.gather_object

< >

( object: Any )

参数

  • object (picklable 对象的嵌套列表/元组/字典) — 要收集的数据。

递归地从所有设备收集嵌套列表/元组/字典中的对象。

< > 在 GitHub 上更新

←在 TPUs 上训练 有状态的类→