Checkpoint功能使用指南

背景

单机/多机在训练过程中会由于软件/硬件的问题出现异常,导致训练中断,进而导致训练无结果或结果不可用,浪费大量时间和机器性能。

目的

Checkpoint功能能够在训练中途对训练数据中间数据进行保存,出现异常恢复训练的时候能够加载中途保存的数据继续训练, 实现单机/多机的容错训练的功能。

说明

目前已实现的参数保存:

  1. 基于Trainer 0 实现训练过程中的参数保存
  2. 基于PServer 实现了Distribute Lookup Table相关参数保存

Fluid Checkpoint 保存数据目录结构:

checkpoint_dir (用户定义的checkpoint目录)
├── checkpoint_0 (第一次保存)
│   ├── __lockup_table__ (Distribute Lookup Table 目录)
│   │   ├── table_pserver_0 (Pserver 0 号保存的lookup table 数据)
│   │   └── table_pserver_1
│   ├── __model__ (model 目录)
│   │   └── var.w_1
│   └── trainer_0 (trainer 自有数据保存)
│       ├── epoch_id
│       └── step_id
└── checkpoint_1 (第二次保存)

使用方法

声明Fluid.CheckpointConfig

用户对checkpoint功能的配置,主要是配置对象Fluid中的CheckpointConfig.

CheckpointConfig 包括4个参数:

参数 类型 说明
checkpoint_dir int checkpoint存储目录
max_num_checkpoints int 最大保存的checkpoint副本数
epoch_interval int 每隔epoch_interval轮epoch
step_interval int 每隔step_interval轮step

在Fluid.Trainer对象的声明中加入Fluid.CheckpointConfig的声明

Trainer的__init__方法的参数中包含了对CheckpointConfig, 需要传入在声明Trainer前声明的CheckpointConfig对象。 如:

config = CheckpointConfig(
    checkpoint_dir = "/tmp/ckpt", max_num_checkpoints = 2, 
    epoch_interval = 2, step_interval = 10)
trainer = Trainer(..., checkpoint_config=config)

定义和声明完成后, 训练在运行过程中就会在指定的step和epoch处进行保存,出现异常时,就会自动从最新的checkpoint目录进行参数恢复啦!

注意

  1. 保证每个训练的checkpoint_dir 与其他训练独立。
  2. 最大副本数量max_num_checkpoints需要根据磁盘容量以及模型的大小进行调整, 保证磁盘的可用性。
  3. epoch_intervalstep_interval 不宜过小, 频繁的进行checkpoint会拖慢训练速度。
  4. 分布式训练的过程中:每个Trainer都会在checkpoint_dir目录中保存当前Trainer的参数(只有Trainer 0会保存模型的参数),需要**分布式文件系统(HDFS等)**将同checkpoint_dir目录的数据进行合并才能得到完整的数据,恢复训练的时候需要用完整的数据进行恢复。