分布式训练常见问题

综合问题

问题:怎样了解飞桨分布式 Fleet API 用法?


问题:机房训练模型的分布式环境用什么比较合适?

  • 答复: 推荐使用 K8S 部署,K8S 的环境搭建可参考文档


问题:目前飞桨分布式对哪些模型套件/工具支持?

  • 答复:

  1. 多机多卡支持 paddlerec,PGL,paddleHelix,paddleclas,paddlenlp,paddledetection。

  2. 单机多卡支持全部飞桨的模型套件和高层 API 写法,无需修改单卡训练代码,默认启用全部可见的卡。


问题:怎样自定义单机多卡训练的卡数量?

  • 答复:如果直接使用飞桨模型套件(paddleclas,paddleseg 等)或高层 API 写的代码,可以直接用这条命令指定显卡启动程序,文档源代码不用改(文档内不要用 set_device 指定卡): python3 -m paddle.distributed.launch --gpus="1, 3" train.py 使用基础 API 的场景下,在程序中修改三处:

    • 第 1 处改动,import 库import paddle.distributed as dist

    • 第 2 处改动,初始化并行环境dist.init_parallel_env()

    • 第 3 处改动,对模型增加 paddle.DataParallel 封装 net = paddle.DataParallel(paddle.vision.models.LeNet()) 修改完毕就可以使用 python3 -m paddle.distributed.launch --gpus="1, 3" xxx 来启动了。可参考AI Studio 项目示例


Fleet API 的使用

问题:飞桨 2.0 版本分布式 Fleet API 的目录在哪?

  • 答复:2.0 版本分布式 API 从 paddle.fluid.incubate.fleet 目录挪至 paddle.distributed.fleet 目录下,且对部分 API 接口做了兼容升级。import 方式如下:

    import paddle.distributed.fleet as fleet
    fleet.init()
    

不再支持老版本 paddle.fluid.incubate.fleet API,2.0 版本会在分布式计算图拆分的阶段报语法相关错误。未来的某个版本会直接移除废弃 paddle.fluid 目录下的 API。


问题:飞桨 2.0 版本的 fleet 配置初始化接口 init 和 init_server 用法有什么变化?

  • 答复:

  1. fleet.init接口,2.0 版本支持role_makeris_collectivestrategy等参数,且均有缺省值,老版本仅支持role_maker,且无缺省配置。点击这里 参考 2.0 Fleet API 的使用方式。

  2. fleet.init_server接口,除支持传入model_dir之外,2.0 版本还支持传入var_names,加载指定的变量。


问题: 飞桨 2.0 版本的分布式 paddle.static.nn.sparse_embedding 和 paddle.nn.embedding 有什么差别?

  • 答复:paddle.nn.embeddingpaddle.static.nn.sparse_embedding的稀疏参数将会在每个 PServer 段都用文本的一部分保存,最终整体拼接起来是完整的 embedding。推荐使用paddle.static.nn.sparse_embedding直接采用分布式预估的方案。虽然 nn.embedding目前依旧可以正常使用,但后续的某个版本会变成与使用paddle.static.nn.sparse_embedding一样的保存方案。老版本中使用的 0 号节点的本地预测功能在加载模型的时候会报模型加载错误。


问题:飞桨 2.0 分布式可以用哪些配置类?

  • 答复:2.0 之后统一为paddle.distributed.fleet.DistributedStrategy(),与下述老版本配置类不兼容。2.0 之前的版本参数服务器配置类:paddle.fluid.incubate.fleet.parameter_server.distribute_transpiler.distributed_strategy.DistributedStrategy,2.0 之前的版本 collective 模式配置类:paddle.fluid.incubate.fleet.collective.DistributedStrategy


问题:飞桨 2.0 分布式配置项统一到 DistributedStrategy 后有哪些具体变化?

2.0 版本将 3 个环境变量配置变为DistributedStrategy配置项,3 个环境变量将不生效,包括

  • FLAGS_sync_nccl_allreducestrategy.sync_nccl_allreduce

  • FLAGS_fuse_parameter_memory_sizestrategy.fuse_grad_size_in_MB

  • FLAGS_fuse_parameter_groups_sizestrategy.fuse_grad_size_in_TFLOPS

DistributedStrategy 中exec_strategy配置项不兼容升级为execution_strategy

DistributedStrategy 中forward_recompute配置项不兼容升级为recompute

DistributedStrategy 中recompute_checkpoints配置项不兼容升级为recompute_configs字典下的字段,如下:

import paddle.distributed.fleet a fleet
strategy = fleet.Distributedstrategy()
strategy.recompute = True
strategy.recompute_configs = {
    "checkpoints": ["x","y"],
    "enable_offload": True,
    "checkpoint_shape": [100, 512, 1024]}

DistributedStrategy 中use_local_sgd配置项变为不兼容升级为 localsgd。


问题:飞桨 2.0 分布式 Fleet 的 program 接口是否还能继续用?

  • 答复:2.0 版本后,fleet 接口下 main_program 和_origin_program 均已废弃,会报错没有这个变量,替换使用paddle.static.default_main_program即可。


问题:怎样在本地测试 Fleet API 实现的分布式训练代码是否正确?

  • 答复:首先写好分布式 train.py 文件

    • 在 PServer 模式下,命令行模拟启动分布式:python -m paddle.distributed.launch_ps --worker_num 2 --server_num 2 train.py

    • 在 Collective 模式下,命令改为python -m paddle.distributed.launch --gpus=0,1 train.py


问题:Paddle Fleet 怎样做增量训练,有没有文档支持?


问题:飞桨 2.0 分布式 distributed_optimizer 如何使用自动混合精度 amp 的 optimizer?

  • 答复:amp_init接口支持 pure_fp16,可以直接调用optimizer.amp_init


问题:Paddle Fleet 可以在 K8S GPU 集群上利用 CPU 资源跑 pserver 模式的 MPI 程序吗?

  • 答复:可以,GPU 可设置为 trainer。


问题:使用 Fleet Collective 模式进行开发时,已使用 fleet.distributed_optimizer 对 optimizer 和 fleet.DistributedStrategy 包了一层。想确认模型是否也需要使用 fleet.distributed_model 再包一层?

  • 答复:需要将fleet.distributed_model在封装一层。原因是动态图主要在fleet.distributed_model进行分布式设计,静态图是在fleet.distributed_optimizer进行分布式设计。所以,如果不区分动态图和静态图,两个接口都是需要的。


环境配置和训练初始化

问题:分布式环境变量 FLAGS 参数定义可以在哪查看,比如 communicator 相关的?


问题:2.0 分布式训练的启动命令有什么变化?

  • 答复:为了统一启动分布式 Collective/PS 模式任务方式以及易用性考虑,2.0 版本中 launch/fleetrun 启动分布式任务时参数产生不兼容升级,--cluster_node_ips改为--ips--selected_gpus改为--gpus--node_ip--use_paddlecloud--started_port--log_level--print_config 5 个参数已废弃,使用旧参数会直接报错没有此参数。代码迁移至 python/paddle/distributed/fleet/launch.py。


问题:分布式环境依赖为什么出现第三方 libssl 库的依赖?

  • 答复:分布式 RPC 从 GRPC 迁移至 BRPC, 会导致在运行时依赖 libssl 库。使用 docker 的情况下,基础镜像拉一下官方最新的 docker 镜像,或自行安装 libssl 相关的依赖也可以。未安装 libssl 的情况下,import paddle 的时候,出现找不到 libssl.so 的库文件相关报错。使用 MPI 的情况下,需要将编译包时用到的 libssl.so、libcrypto.so 等依赖手动通过LD_LIBRARY_PATH进行指定。


分布式的动态图模式

问题:飞桨 2.0 版本动态图 DataParallel 用法有哪些简化?

+答复:老版本用法依然兼容,建议使用以下新用法:apply_collective_gradsscale_loss可以删除不使用。loss 会根据环境除以相应的卡数,scale_loss不再进行任何处理。


问题:飞桨 2.0 版本调用 model.eval 之后不再自动关闭反向计算图的构建,引入显存的消耗增加,可能会引入 OOM,怎么解决?

  • 答复:动态图no_gradmodel.eval 解绑,应使用with paddle.no_grad(): 命令,显示关闭反向计算图的构建。


问题:飞桨 2.0 版本动态图环境初始化新接口怎样用?

  • 答复:建议调用新接口paddle.distributed.init_parallel_env,不需要输入参数。1.8 的fluid.dygraph.prepare_context依然兼容。


问题:分布式支持哪些飞桨 2.0 版本的模型保存和加载接口?

  • 答复: 与单机相同,分布式动态图推荐使用paddle.jit.save保存,使用paddle.jit.load加载,无需切换静态图,存储格式与推理模型存储一致。对比 1.8 动态图使用不含控制流的模型保存接口TracedLayer.save_inference_model,含控制流的模型保存接口ProgramTranslator.save_inference_model,加载模型需要使用静态图接口fluid.io.load_inference_modelfluid.save_dygraphfluid.load_dygraph升级为paddle.savepaddle.load,推荐使用新接口。paddle.save不再默认添加后缀,建议用户指定使用标椎后缀(模型参数:.pdparams,优化器参数:.pdopt)。

问题:飞桨 2.0 版本为什么不能使用 minimize 和 clear_gradient?

  • 答复:2.0 版本中重新实现 optimizer,放在paddle.optimizer,建议使用新接口和参数。老版本的paddle.fluid.optimizer仍然可用。

新版增加接口step替换minimize。老版动态图需要调用loss.backward(),用 minimize 来表示梯度的更新行为,词语意思不太一致。

新版使用简化的clear_grad接口替换clear_gradient


报错查错

问题:集合通信 Collective 模式报参数未初始化的错误是什么原因?

  • 答复:2.0 版本需要严格先run(startup_program),然后再调用fleet.init_worker()启动 worker 端通信相关,并将 0 号 worker 的参数广播出去完成其他节点的初始化。先init_worker,再run(startup_program),会报参数未初始化的错误

2.0 之前的版本是在 server 端做初始化,无需 0 号节点广播,所以init_worker()可以在run(startup_program)执行。


问题:分布式任务跑很久 loss 突然变成 nan 的原因?

  • 答复:可设置环境变量export FLAGS_check_nan_inf=1定位出错的地方,可以从 checkpoint 开始训练,参数服务器和集合通信模式均可使用这种方式查错。


问题:任务卡在 role init 怎么解决?

  • 答复:通常可能是 gloo 的初始化问题,需要检查是否有节点任务挂了。建议调小train_data配置的数据量,由于启动 trainer 前要下载数据,大量数据会导致拖慢。