NLP：TorchAcc提速BERT Base分布式训练

接入TorchAcc加速BERT Base分布式训练

1. 进入DSW实例页面下载并解压测试代码及脚本文件。

   1. 在交互式建模（DSW）页面，单击DSW实例操作列下的打开。

   2. 在Notebook页签的Launcher页面，单击快速开始区域Notebook下的Python3。

   3. 执行以下命令下载并解压测试代码及脚本文件。

      !wget http://odps-release.cn-hangzhou.oss.aliyun-inc.com/torchacc/accbench/gallery/bert.tar.gz && tar -zxvf bert.tar.gz

2. 进入bert目录，双击打开bert.ipynb文件。

   后续，您可以直接在该文件中运行下述步骤中的命令，当成功运行结束一个步骤命令后，再顺次运行下个步骤的命令。

3. 执行以下命令下载数据集SST并安装BERT-Base模型依赖的第三方包。

   !bash prepare.sh

4. 分别使用普通训练方法（baseline）和接入TorchAcc进行BERT-Base模型分布式训练，来验证TorchAcc的性能提升效果。

   说明

   • 在测试不同GPU卡型（例如V100、A10等）时，可以通过调整batch_size来适配不同卡型的显存大小。

   • 在测试不同机器实例时，由于单机GPU卡数不同（假设为N），因此可以通过设置nproc_per_node来启动单卡或多卡的任务，其中：1<=nproc_per_node<=N。

   • Pytorch Eager单卡（baseline训练）

     !#!/bin/bash
     
     !set -ex
     
     !python launch_single_task.py --amp_level O1 --batch_size 24 --nproc_per_node 1

   • Pytorch Eager八卡（baseline训练）

     !#!/bin/bash
     
     !set -ex
     
     !python launch_single_task.py --amp_level O1 --batch_size 24 --nproc_per_node 8

   • TorchAcc单卡（PAI-OPT）

     !#!/bin/bash
     
     !set -ex
     
     !python launch_single_task.py --amp_level O1 --batch_size 24 --compiler-opt --nproc_per_node 1

   • TorchAcc八卡（PAI-OPT）

     !#!/bin/bash
     
     !set -ex
     
     !python launch_single_task.py --amp_level O1 --batch_size 24 --compiler-opt --nproc_per_node 8

   其中：普通训练方法和接入TorchAcc训练方法的优化配置如下：

   • baseline：Torch112+DDP+AMPO1

   • PAI-Opt：Torch112+TorchAcc+AMPO1

5. 执行以下命令，获取性能数据结果。

   import os
   from plot import plot, traverse
   from parser import parse_file
   #import seaborn as sns
   
   if __name__ == '__main__':
       path = "output"
       file_names = {}
       traverse(path, file_names)
   
       for model, tags in file_names.items():
           for tag, suffixes in tags.items():
               title = model + "_" + tag
               label = []
               api_data = []
               for suffix, o_suffixes in suffixes.items():
                   label.append(suffix)
                   for output_suffix, node_ranks in o_suffixes.items():
                       assert "0" in node_ranks
                       assert "log" in node_ranks["0"]
                       parse_data = parse_file(node_ranks["0"]["log"])
                       api_data.append(parse_data)
               
               plot(title, label, api_data)

   生成如下图所示结果。

   实验结果表明，使用TorchAcc进行BERT-Base分布式训练可以明显提升性能。接入TorchAcc更详细的代码实现原理，请参见代码实现原理。

代码实现原理

将上述的BERT-Base模型接入TorchAcc框架进行分布式训练加速的代码配置，请参考已下载的代码文件bert/bert.py。

Import TorchAcc API

TorchAcc在训练时会使用XLA Device，如果使用TorchAcc进行训练，则需要在main函数import处添加以下代码，具体请参考bert.py文件中35-44行代码：

+if enable_torchacc_compiler():
+  import torchacc.torch_xla.core.xla_model as xm
+  import torchacc.torch_xla.distributed.parallel_loader as pl
+  import torchacc.torch_xla.distributed.xla_backend
+  from torchacc.torch_xla.amp import autocast, GradScaler, syncfree
+  dist.init_process_group(backend="xla", init_method="env://")
+else:
  from torch.cuda.amp import autocast, GradScaler
  dist.init_process_group(backend="nccl", init_method="env://")

分布式初始化

在调用dist.init_process_group函数时，将backend参数设置为xla：

dist.init_process_group(backend="xla", init_method="env://")

set_replication+封装dataloader+model placement

在模型和dataloader定义完成之后，获取xla_device并调用set_replication函数，以封装dataloader并设置模型的设备位置。

+if args.device == "xla":
+    device = xm.xla_device()
+    xm.set_replication(device, [device])
+    train_device_loader = pl.MpDeviceLoader(train_device_loader, device)
+    model = model.to(device)
+else:
    device = torch.device(f"cuda:{args.local_rank}")
    torch.cuda.set_device(device)
    model = model.cuda()
    model = torch.nn.parallel.DistributedDataParallel(model)

Optimizer封装

若需要启用AMP O1功能，请参考bert.py文件的139-142行进行修改。

if args.device == "xla" and args.amp_level == "O1":
    optimizer = syncfree.Adam(model.parameters(), lr=1e-3)
else:
    optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

梯度allreduce通信

如果启用了AMP开关，需要在loss backward后对梯度进行allreduce，并在backward和apply计算阶段修改代码。具体请参考bert.py文件的65-67行。

def loop_with_amp(model, inputs, optimizer, autocast, scaler):
  with autocast():
    outputs = model(**inputs)
    loss = outputs["loss"]

  scaler.scale(loss).backward()
+  if args.device == "xla":
+    gradients = xm._fetch_gradients(optimizer)
+    xm.all_reduce('sum', gradients, scale=1.0/xm.xrt_world_size())
  scaler.step(optimizer)
  scaler.update()

  return loss, optimizer


def loop_without_amp(model, inputs, optimizer):
  outputs = model(**inputs)
  loss = outputs["loss"]
  loss.backward()
+  if args.device == "xla":
+    xm.optimizer_step(optimizer)
+  else:
    optimizer.step()
  return loss, optimizer

Training Loop封装

更新以下内容：

• 从dataloader取出样本（数据）作为后面训练的输入，请参考bert.py文件的第93-94行。

  if args.device == "cuda":
      inputs.to(device)
  else:
      # For TorchAcc, wrapper data loader with parallel_loader is enough.
      pass

• 如果启用了AMP功能，目前TorchAcc只支持使用AMP的autocast功能。因此需要在training loop中添加get_autocast_and_scaler代码。请参考bert.py文件的145-146行。

  if args.amp_level == "O1":
      autocast, scaler = get_autocast_and_scaler()

  其中get_autocast_and_scaler函数的实现可以参考bert.py文件的52-56行。

  # 不考虑AMP O2测试。
  def get_autocast_and_scaler():
    if args.device == "xla":
      return autocast, GradScaler()
  
    return autocast, GradScaler()