在 Accelerate 中使用本地 SGD

本地 SGD 是一种分布式训练技术，其中梯度不会在每个步骤都进行同步。因此，每个进程都会更新自己版本的模型权重，在经过给定数量的步骤后，这些权重通过所有进程求平均值进行同步。这提高了通信效率，并且可以显著加快训练速度，尤其是在计算机缺少像 NVLink 这样的更快互连时。与梯度累积（其中提高通信效率需要增加有效批次大小）不同，本地 SGD 不需要更改批次大小或学习率/调度。但是，如果需要，本地 SGD 也可以与梯度累积结合使用。

在本教程中，您将看到如何快速设置本地 SGD Accelerate。与标准的 Accelerate 设置相比，这只需要两行额外的代码。

这个例子将使用一个非常简化的 PyTorch 训练循环，它每两个批次执行一次梯度累积

device = "cuda"
model.to(device)

gradient_accumulation_steps = 2

for index, batch in enumerate(training_dataloader):
    inputs, targets = batch
    inputs = inputs.to(device)
    targets = targets.to(device)
    outputs = model(inputs)
    loss = loss_function(outputs, targets)
    loss = loss / gradient_accumulation_steps
    loss.backward()
    if (index + 1) % gradient_accumulation_steps == 0:
        optimizer.step()
        scheduler.step()
        optimizer.zero_grad()

将其转换为 Accelerate

首先，将前面显示的代码转换为使用 Accelerate，既不使用 LocalSGD 也不使用梯度累积帮助器。

+ from accelerate import Accelerator
+ accelerator = Accelerator()

+ model, optimizer, training_dataloader, scheduler = accelerator.prepare(
+     model, optimizer, training_dataloader, scheduler
+ )

  for index, batch in enumerate(training_dataloader):
      inputs, targets = batch
-     inputs = inputs.to(device)
-     targets = targets.to(device)
      outputs = model(inputs)
      loss = loss_function(outputs, targets)
      loss = loss / gradient_accumulation_steps
+     accelerator.backward(loss)
      if (index+1) % gradient_accumulation_steps == 0:
          optimizer.step()
          scheduler.step()

让 Accelerate 处理模型同步

现在剩下的就是让 Accelerate 为我们处理模型参数同步和梯度累积。为简单起见，我们假设我们需要每 8 个步骤同步一次。这通过添加一条 with LocalSGD 语句和在每个优化器步骤后调用一次 local_sgd.step() 来实现。

+local_sgd_steps=8

+with LocalSGD(accelerator=accelerator, model=model, local_sgd_steps=8, enabled=True) as local_sgd:
    for batch in training_dataloader:
        with accelerator.accumulate(model):
            inputs, targets = batch
            outputs = model(inputs)
            loss = loss_function(outputs, targets)
            accelerator.backward(loss)
            optimizer.step()
            scheduler.step()
            optimizer.zero_grad()
+           local_sgd.step()

在底层，本地 SGD 代码禁用了自动梯度同步（但累积仍然按预期工作！）。取而代之的是，它每 local_sgd_steps 步（以及训练循环结束时）对模型参数进行平均。

局限性

当前的实现仅适用于基本的多 GPU（或多 CPU）训练，而不支持例如 DeepSpeed。

参考文献

尽管我们不知道这种简单方法的真正起源，但本地 SGD 的思想已经很古老，至少可以追溯到

Zhang, J., De Sa, C., Mitliagkas, I., & Ré, C. (2016). Parallel SGD: When does averaging help?. arXiv preprint arXiv:1606.07365.

我们将本地 SGD 一词归功于以下论文（但我们可能没有意识到更早的参考文献）。

Stich, Sebastian Urban. “Local SGD Converges Fast and Communicates Little.” ICLR 2019-International Conference on Learning Representations. No. CONF. 2019.

< > 在 GitHub 上更新