使用 Accelerate 的本地 SGD

本地 SGD 是一种分布式训练技术，其中梯度不是每一步都同步的。因此，每个进程更新其自身版本的模型权重，并在给定的步数后，通过在所有进程之间取平均值来同步这些权重。这提高了通信效率，并可以显着提高训练速度，尤其是在计算机缺少更快的互连（如 NVLink）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，如有必要，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，这只需要额外的两行代码。

此示例将使用一个非常简单的 PyTorch 训练循环，该循环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，前面显示的代码将被转换为使用 Accelerate，既不使用 LocalSGD 也不使用梯度累积助手

+ 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 处理模型参数同步和我们的梯度累积。为了简单起见，我们假设我们需要每 8 步同步一次。这可以通过添加一个 `with LocalSGD` 语句并在每次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 代码禁用自动梯度同步（但累积仍然按预期工作！）。相反，它每 `local_sgd_steps` 步（以及在训练循环结束时）平均模型参数。

局限性

当前的实现仅适用于基本的多 GPU（或多 CPU）训练，不包括例如 DeepSpeed。

参考

虽然我们不清楚这种简单方法的真正起源，但本地 SGD 的想法非常古老，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.

我们将术语本地 SGD 归功于以下论文（但可能还有我们不知道的更早的参考文献）。

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