AI加速：使用TorchAcc实现Bert模型分布式训练加速_人工智能平台 PAI(PAI)-阿里云帮助中心

阿里云PAI为您提供了部分典型场景下的示例模型，便于您便捷地接入TorchAcc进行训练加速。本文为您介绍如何在BERT-Base分布式训练中接入TorchAcc并实现训练加速。

测试环境配置

测试环境配置方法，请参见配置测试环境。

本案例以DSW环境V100M16卡型为例，例如：节点规格选择ecs.gn6v-c8g1.16xlarge-64c256gNVIDIA V100 * 8。

接入TorchAcc加速BERT Base分布式训练

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
```
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。
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
```
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

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。 5292d5ac89d7686ca5750cc267966fdb..png

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()
```