Transformers 文档

使用 🤗 Accelerate 进行分布式训练

Hugging Face's logo
加入Hugging Face社区

并获得增强的文档体验

开始使用

使用 🤗 Accelerate 进行分布式训练

随着模型变得越来越大,并行化已成为一种策略,用于在有限的硬件上训练更大的模型,并将训练速度提高几个数量级。在 Hugging Face,我们创建了 🤗 Accelerate 库来帮助用户轻松地在任何类型的分布式设置上训练 🤗 Transformers 模型,无论是同一台机器上的多个 GPU 还是多台机器上的多个 GPU。在本教程中,学习如何自定义你的原生 PyTorch 训练循环以在分布式环境中启用训练。

设置

开始使用,安装 🤗 Accelerate

pip install accelerate

然后导入并创建一个 Accelerator 对象。 Accelerator 会自动检测你的分布式设置类型并初始化训练所需的所有组件。你不需要显式地将你的模型放在设备上。

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()

准备加速

下一步是将所有相关的训练对象传递给 prepare 方法。这包括你的训练和评估 DataLoaders、模型和优化器

>>> train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
...     train_dataloader, eval_dataloader, model, optimizer
... )

反向传播

最后一个添加是将训练循环中的典型 loss.backward() 替换为 🤗 Accelerate 的 backward 方法

>>> for epoch in range(num_epochs):
...     for batch in train_dataloader:
...         outputs = model(**batch)
...         loss = outputs.loss
...         accelerator.backward(loss)

...         optimizer.step()
...         lr_scheduler.step()
...         optimizer.zero_grad()
...         progress_bar.update(1)

正如你在以下代码中看到的,你只需要在训练循环中添加四行额外的代码即可启用分布式训练!

+ from accelerate import Accelerator
  from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler

+ accelerator = Accelerator()

  model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
  optimizer = AdamW(model.parameters(), lr=3e-5)

- device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
- model.to(device)

+ train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
+     train_dataloader, eval_dataloader, model, optimizer
+ )

  num_epochs = 3
  num_training_steps = num_epochs * len(train_dataloader)
  lr_scheduler = get_scheduler(
      "linear",
      optimizer=optimizer,
      num_warmup_steps=0,
      num_training_steps=num_training_steps
  )

  progress_bar = tqdm(range(num_training_steps))

  model.train()
  for epoch in range(num_epochs):
      for batch in train_dataloader:
-         batch = {k: v.to(device) for k, v in batch.items()}
          outputs = model(**batch)
          loss = outputs.loss
-         loss.backward()
+         accelerator.backward(loss)

          optimizer.step()
          lr_scheduler.step()
          optimizer.zero_grad()
          progress_bar.update(1)

训练

添加了相关的代码行后,在脚本或像 Colaboratory 这样的笔记本中启动你的训练。

使用脚本训练

如果你正在从脚本运行你的训练,请运行以下命令来创建和保存配置文件

accelerate config

然后使用以下命令启动你的训练:

accelerate launch train.py

使用笔记本训练

如果你计划使用 Colaboratory 的 TPU, 🤗 Accelerate 也可以在笔记本中运行。将负责训练的所有代码包装在一个函数中,并将其传递给 notebook_launcher

>>> from accelerate import notebook_launcher

>>> notebook_launcher(training_function)

有关 🤗 Accelerate 及其丰富功能的更多信息,请参阅 文档

< > 在 GitHub 上更新