DistributedStrategy

class paddle.distributed.fleet. DistributedStrategy [源代码]

属性

save_to_prototxt

序列化当前的 DistributedStrategy,并且保存到 output 文件中

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.dgc = True
>>> strategy.recompute = True
>>> strategy.recompute_configs = {"checkpoints": ["x"]}
>>> strategy.save_to_prototxt("dist_strategy.prototxt")

load_from_prototxt

加载已经序列化过的 DistributedStrategy 文件,并作为初始化 DistributedStrategy 返回

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.dgc = True
>>> strategy.recompute = True
>>> strategy.recompute_configs = {"checkpoints": ["x"]}
>>> strategy.save_to_prototxt("dist_strategy.prototxt")

>>> strategy.load_from_prototxt("dist_strategy.prototxt")

build_strategy

配置 DistributedStrategy 中的 BuildStrategy

代码示例

>>> import paddle
>>> build_strategy = paddle.static.BuildStrategy()
>>> build_strategy.enable_sequential_execution = True
>>> build_strategy.fuse_elewise_add_act_ops = True
>>> build_strategy.fuse_bn_act_ops = True
>>> build_strategy.enable_auto_fusion = True
>>> build_strategy.fuse_relu_depthwise_conv = True
>>> build_strategy.fuse_broadcast_ops = True
>>> build_strategy.fuse_all_optimizer_ops = True
>>> build_strategy.enable_inplace = True

>>> strategy = paddle.distributed.fleet.DistributedStrategy()
>>> strategy.build_strategy = build_strategy

auto

表示是否启用自动并行策略。此功能目前是实验性功能。目前,自动并行只有在用户只设置 auto,不设置其它策略时才能生效。具体请参考示例代码。默认值:False

代码示例

>>> import paddle
>>> paddle.enable_static()
>>> import paddle.distributed.fleet as fleet

>>> strategy = fleet.DistributedStrategy()
>>> strategy.auto = True
>>> # if set other strategy at the same time, auto will not apply
>>> # strategy.amp = True

>>> optimizer = paddle.optimizer.SGD(learning_rate=0.01)
>>> optimizer = fleet.distributed_optimizer(optimizer, strategy)

recompute

是否启用 Recompute 来优化内存空间,默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.recompute = True
>>> # suppose x and y are names of checkpoint tensors for recomputation
>>> strategy.recompute_configs = {"checkpoints": ["x", "y"]}

recompute_configs

设置 Recompute 策略的配置。目前来讲,用户使用 Recompute 策略时,必须配置 checkpoints 参数。

checkpoints(int): Recompute 策略的检查点,默认为空列表,也即不启用 Recompute。

enable_offload(bool): 是否开启 recompute-offload 策略。该策略会在 recompute 的基础上,将原本驻留在显存中的 checkpoints 卸载到 Host 端的内存中,进一步更大的 batch size。因为 checkpoint 在内存和显存间的拷贝较慢,该策略是通过牺牲速度换取更大的 batch size。默认值:False。

checkpoint_shape(list): 该参数仅在 offload 开启时需要设置,用来指定 checkpoints 的各维度大小。目前 offload 需要所有 checkpoints 具有相同的 shape,并且各维度是确定的(不支持 -1 维度)。

pipeline

是否启用 Pipeline 并行。目前,主要实现单机多 GPU 间的 Pipeline 并行和多机间的数据并行。Pipeline 信息由用户定义程序中的 device_guard 确定。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.pipeline = True

pipeline_configs

设置 Pipeline 策略的配置。Pipeline 策略下,神经网络的不同层在不同的 GPU 设备。相邻的 GPU 设备间有用于同步隐层 Tensor 的队列。Pipeline 并行包含多种生产者-消费者形式的硬件对,如 GPU-CPU、CPU-GPU、GPU-XPU。加速 PIpeline 并行的最佳方式是减少 Tensor 队列中的 Tensor 大小,这样生产者可以更快的为下游消费者提供数据。

micro_batch_size (int): 每个用户定义的 mini-batch 中包含的更小的 micro-batch 的数量。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.pipeline = True
>>> strategy.pipeline_configs = {"micro_batch_size": 12}

gradient_merge

梯度累加,是一种大 Batch 训练的策略。添加这一策略后,模型的参数每过 k_steps 步更新一次, k_steps 是用户定义的步数。在不更新参数的步数里,Paddle 只进行前向、反向网络的计算; 在更新参数的步数里,Paddle 执行优化网络,通过特定的优化器(比如 SGD、Adam), 将累加的梯度应用到模型参数上。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.gradient_merge = True
>>> strategy.gradient_merge_configs = {"k_steps": 4, "avg": True}

gradient_merge_configs

设置 distribute_strategy 策略的配置。

k_steps(int): 参数更新的周期,默认为 1

avg(bool): 梯度的融合方式,有两种选择:

  • sum:梯度求和

  • avg:梯度求平均

lars

是否使用 LARS optimizer,默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.lars = True
>>> strategy.lars_configs = {
...             "lars_coeff": 0.01,
...             "lars_weight_decay": 0.0005,
...             "epsilon": 0,
...             "exclude_from_weight_decay": ['batch_norm', '.b_0']
... }

lars_configs

设置 LARS 优化器的参数。用户可以配置 lars_coeff,lars_weight_decay,epsilon,exclude_from_weight_decay 参数。

lars_coeff(float): lars 系数,原论文 中的 trust coefficient。默认值是 0.001。

lars_weight_decay(float): lars 公式中 weight decay 系数。默认值是 0.0005。

exclude_from_weight_decay(list[str]): 不应用 weight decay 的 layers 的名字列表,某一 layer 的 name 如果在列表中,这一 layer 的 lars_weight_decay 将被置为 0。默认值是 None。

epsilon(float): 一个小的浮点值,目的是维持数值稳定性,避免 lars 公式中的分母为零。默认值是 0。

lamb

是否使用 LAMB optimizer,默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.lamb = True # by default this is false

lamb_configs

设置 LAMB 优化器的参数。用户可以配置 lamb_weight_decay,exclude_from_weight_decay 参数。

lamb_weight_decay(float): lars 公式中 weight decay 系数。默认值是 0.01。

exclude_from_weight_decay(list[str]): 不应用 weight decay 的 layers 的名字列表,某一 layer 的 name 如果在列表中,这一 layer 的 lamb_weight_decay 将被置为 0。默认值是 None。

localsgd

是否使用 LocalSGD optimizer,默认值:False。更多的细节请参考 Don't Use Large Mini-Batches, Use Local SGD

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.localsgd = True # by default this is false

localsgd_configs

设置 LocalSGD 优化器的参数。用户可以配置 k_steps 和 begin_step 参数。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.adaptive_localsgd = True
>>> strategy.adaptive_localsgd_configs = {"init_k_steps": 1,
...                                       "begin_step": 30}

k_steps(int): 训练过程中的全局参数更新间隔,默认值 1。

begin_step(int): 指定从第几个 step 之后进行 local SGD 算法,默认值 1。

adaptive_localsgd

是否使用 AdaptiveLocalSGD optimizer,默认值:False。更多的细节请参考`Adaptive Communication Strategies to Achieve the Best Error-Runtime Trade-off in Local-Update SGD <https://arxiv.org/pdf/1810.08313.pdf>`_

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.adaptive_localsgd = True # by default this is false

adaptive_localsgd_configs

设置 AdaptiveLocalSGD 优化器的参数。用户可以配置 init_k_steps 和 begin_step 参数。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.adaptive_localsgd = True
>>> strategy.adaptive_localsgd_configs = {"init_k_steps": 1,
...                                       "begin_step": 30}

init_k_steps(int): 自适应 localsgd 的初始训练步长。训练后,自适应 localsgd 方法将自动调整步长。默认值 1。

begin_step(int): 指定从第几个 step 之后进行 Adaptive LocalSGD 算法,默认值 1。

amp

是否启用自动混合精度训练。默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.amp = True
>>> strategy.amp_configs = {
...     "init_loss_scaling": 32768,
...     "custom_white_list": ['conv2d']
... }

amp_configs

设置自动混合精度训练配置。为避免梯度 inf 或 nan,amp 会根据梯度值自动调整 loss scale 值。目前可以通过字典设置以下配置。

init_loss_scaling(float): 初始 loss scaling 值。默认值 32768。

use_dynamic_loss_scaling(bool): 是否动态调整 loss scale 值。默认 True。

incr_every_n_steps(int): 每经过 n 个连续的正常梯度值才会增大 loss scaling 值。默认值 1000。

decr_every_n_nan_or_inf(int): 每经过 n 个连续的无效梯度值(nan 或者 inf)才会减小 loss scaling 值。默认值 2。

incr_ratio(float): 每次增大 loss scaling 值的扩增倍数,其为大于 1 的浮点数。默认值 2.0。

decr_ratio(float): 每次减小 loss scaling 值的比例系数,其为小于 1 的浮点数。默认值 0.5。

custom_white_list(list[str]): 用户自定义 OP 开启 fp16 执行的白名单。

custom_black_list(list[str]): 用户自定义 OP 禁止 fp16 执行的黑名单。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.amp = True
>>> strategy.amp_configs = {
...     "init_loss_scaling": 32768,
...     "custom_white_list": ['conv2d']
... }

dgc

是否启用深度梯度压缩训练。更多信息请参考[Deep Gradient Compression](https://arxiv.org/abs/1712.01887)。默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.dgc = True
>>> strategy.dgc_configs = {"rampup_begin_step": 1252}

dgc_configs

设置 dgc 策略的配置。目前用户可配置 rampup_begin_step,rampup_step,sparsity 参数。

rampup_begin_step(int): 梯度压缩的起点步。默认值 0。

rampup_step(int): 使用稀疏预热的时间步长。默认值为 1。例如:如果稀疏度为[0.75,0.9375,0.984375,0.996,0.999],并且 rampup_step 为 100,则在 0~19 步时使用 0.75,在 20~39 步时使用 0.9375,依此类推。当到达 sparsity 数组末尾时,此后将会使用 0.999。

sparsity(list[float]): 从梯度 Tensor 中获取 top 个重要元素,比率为(1-当前稀疏度)。默认值为[0.999]。例如:如果 sparsity 为[0.99, 0.999],则将传输 top [1%, 0.1%]的重要元素。

代码示例

>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.dgc = True
>>> strategy.dgc_configs = {"rampup_begin_step": 1252}

fp16_allreduce

是否使用 fp16 梯度 allreduce 训练。默认值:False

代码示例

>>> import paddle.distributed.fleet as fleet

>>> strategy = fleet.DistributedStrategy()
>>> strategy.fp16_allreduce = True # by default this is false

sharding

是否开启 sharding 策略。sharding 实现了[ZeRO: Memory Optimizations Toward Training Trillion Parameter Models](https://arxiv.org/abs/1910.02054) 中 ZeRO-DP 类似的功能,其通过将模型的参数和优化器状态在 ranks 间分片来支持更大模型的训练。

目前在混合并行(Hybrid parallelism) 模式下,sharding config 作为混合并行设置的统一入口来设置混合并行相关参数。

默认值:False

代码示例

>>> # sharding-DP, 2 nodes with 8 gpus per node
>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.sharding = True
>>> strategy.sharding_configs = {
...     "sharding_segment_strategy": "segment_broadcast_MB",
...     "segment_broadcast_MB": 32,
...     "sharding_degree": 8,
...     "dp_degree": 2,
...     "gradient_merge_acc_step": 4,
... }

sharding_configs

设置 sharding 策略的参数。

sharding_segment_strategy(float,可选): 选择 sharding 中用来将前向反向 program 切 segments 的策略。目前可选策略有:"segment_broadcast_MB" 和 "segment_anchors"。 segment 是 sharding 中引入的一个内部概念,目的是用来让通信和计算相互重叠掩盖(overlap)。默认值是 segment_broadcast_MB。

segment_broadcast_MB(float,可选): 根据 sharding 广播通信中的参数量来切 segments,仅当 sharding_segment_strategy = segment_broadcast_MB 时生效。sharding 会在前向和反向中引入参数广播,在该 segment 策略下,每当参数广播量达到 “segment_broadcast_MB”时,在 program 中切出一个 segment。该参数是一个经验值,最优值会受模型大小和网咯拓扑的影响。默认值是 32。

segment_anchors(list): 根据用户选定的锚点切割 segments,仅当 sharding_segment_strategy = segment_anchors 生效。该策略可以让用户更精确的控制 program 的切分,目前还在实验阶段。

sharding_degree(int,可选): sharding 并行数。sharding_degree=1 时,sharding 策略会被关闭。默认值是 8。

gradient_merge_acc_step(int,可选): 梯度累积中的累积步数。gradient_merge_acc_step=1 梯度累积会被关闭。默认值是 1。

optimize_offload(bool,可选): 优化器状态卸载开关。开启后会将优化器中的状态(moment) 卸载到 Host 的内存中,以到达节省 GPU 显存、支持更大模型的目的。开启后,优化器状态会在训练的更新阶段经历:预取-计算-卸载(offload)三个阶段,更新阶段耗时会增加。这个策略需要权衡显存节省量和训练速度,仅推荐在开启梯度累积并且累积步数较大时开启。因为累积步数较大时,训练中更新阶段的比例将远小于前向&反向阶段,卸载引入的耗时将不明显。

dp_degree(int,可选): 数据并行的路数。当 dp_degree>=2 时,会在内层并行的基础上,再引入 dp_degree 路 数据并行。用户需要保证 global_world_size = mp_degree * sharding_degree * pp_degree * dp_degree。默认值是 1。

mp_degree(int,可选): [仅在混合并行中使用] megatron 并行数。mp_degree=1 时,mp 策略会被关闭。默认值是 1。

pp_degree(int,可选): [仅在混合并行中使用] pipeline 并行数。pp_degree=1 时,pipeline 策略会被关闭。默认值是 1。

pp_allreduce_in_optimize(bool,可选): [仅在混合并行中使用] 在开启 pipeline 并行后,将 allreduce 操作从反向阶段移动到更新阶段。根据不同的网络拓扑,该选项会影响训练速度,该策略目前还在实验阶段。默认值是 False。

>>> # sharding-DP, 2 nodes with 8 gpus per node
>>> import paddle.distributed.fleet as fleet
>>> strategy = fleet.DistributedStrategy()
>>> strategy.sharding = True
>>> strategy.sharding_configs = {
...     "sharding_segment_strategy": "segment_broadcast_MB",
...     "segment_broadcast_MB": 32,
...     "sharding_degree": 8,
...     "dp_degree": 2,
...     "gradient_merge_acc_step": 4,
... }

使用本API的教程文档