基于冗余信息的故障恢复
概述
在进行分布式训练时,遇到故障是非常普遍的,类似于单卡训练,可以通过加载训练过程中保存的权重信息继续进行训练。区别于纯数据并行训练,当应用了模型并行后,权重是进行了切分的,卡与卡之间保存的权重信息可能不一致。
为了解决这个问题,一个方案是在保存权重checkpoint文件前,就将权重通过AllGather 算子进行汇聚,每张卡均存储一个完整的权重信息,这一个功能即mindspore.train.CheckpointConfig(integrated_save=True)
接口中的合并保存。
但是,对于大模型来说,使用汇聚保存对各种资源的开销都过于巨大,因此,本文档介绍的是每张卡仅仅保存自身的权重信息的恢复方案。对于大模型来说,往往会同时应用上数据并行与模型并行,而数据并行的维度所划分的设备,它们持有的权重信息是完全一致的,这也为大模型提供了冗余的备份,本文档也将指出如何去获取这个冗余信息。
关于并行策略与权重的切片划分的关系,可以进行如下映射。关于数据并行,模型并行的概念,请参考算子级并行 ;关于优化器并行,请参考优化器并行。
数据并行 + 不开启优化器并行:并行通信域内的rank持有相同权重切片。
模型并行:并行通信域内的rank持有不同权重切片。
另外,需要注意的是,本文档介绍分布式故障恢复方案,需要在下沉模式 下使用。
相关环境变量:
GROUP_INFO_FILE=./group_info.pb
:保存切片的权重信息,该文件解析出来后将得到一个列表,该列表中的值为rank_id,代表这些rank_id中的权重是相同的。
操作实践
下面以单机8卡为例,进行分布式训练下故障恢复的操作说明:
样例代码说明
下载完整的样例代码:fault_recover
目录结构如下:
└─ sample_code
├─ fault_recover
├── train.py
├── run.sh
└── recover.sh
其中,train.py
是定义网络结构和训练过程的脚本。run.sh
是执行脚本,recover.sh
是节点故障后的恢复脚本。
配置分布式环境
通过context接口指定运行模式、运行设备、运行卡号等,与单卡脚本不同,并行脚本还需指定并行模式parallel_mode
,并通过init初始化HCCL或NCCL通信。device_target
会自动指定为MindSpore包对应的后端硬件设备。
import mindspore as ms
from mindspore.communication import init, get_rank
ms.set_context(mode=ms.GRAPH_MODE)
ms.set_auto_parallel_context(parallel_mode=ms.ParallelMode.SEMI_AUTO_PARALLEL)
init()
os.environ['GROUP_INFO_FILE'] = "./checkpoints/rank_{}/group_info.pb".format(get_rank())
ms.set_seed(1)
此处配置环境变量GROUP_INFO_FILE存储权重的冗余信息。
数据集加载
在当前样例中,数据集加载方式与单卡加载方式一致,代码如下:
import os
import mindspore.dataset as ds
def create_dataset(batch_size):
dataset_path = os.getenv("DATA_PATH")
dataset = ds.MnistDataset(dataset_path)
image_transforms = [
ds.vision.Rescale(1.0 / 255.0, 0),
ds.vision.Normalize(mean=(0.1307,), std=(0.3081,)),
ds.vision.HWC2CHW()
]
label_transform = ds.transforms.TypeCast(ms.int32)
dataset = dataset.map(image_transforms, 'image')
dataset = dataset.map(label_transform, 'label')
dataset = dataset.batch(batch_size)
return dataset
data_set = create_dataset(32)
定义网络
此处对算子配置一些切分策略,配置策略后的网络结构为:
import mindspore as ms
from mindspore import nn, ops
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = ops.Flatten()
self.fc1_weight = ms.Parameter(initializer("normal", [28*28, 512], ms.float32))
self.fc2_weight = ms.Parameter(initializer("normal", [512, 512], ms.float32))
self.fc3_weight = ms.Parameter(initializer("normal", [512, 10], ms.float32))
self.matmul1 = ops.MatMul()
self.relu1 = ops.ReLU()
self.matmul2 = ops.MatMul()
self.relu2 = ops.ReLU()
self.matmul3 = ops.MatMul()
def construct(self, x):
x = self.flatten(x)
x = self.matmul1(x, self.fc1_weight)
x = self.relu1(x)
x = self.matmul2(x, self.fc2_weight)
x = self.relu2(x)
logits = self.matmul3(x, self.fc3_weight)
return logits
net = Network()
net.matmul1.shard(((2, 4), (4, 1)))
net.relu1.shard(((4, 1),))
训练网络
在这一步,我们需要定义损失函数、优化器以及训练过程:
import mindspore as ms
from mindspore import nn, train
from mindspore.communication import get_rank
optimizer = nn.SGD(net.trainable_params(), 1e-2)
loss_fn = nn.CrossEntropyLoss()
loss_cb = train.LossMonitor()
ckpt_config = train.CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=4, integrated_save=False)
ckpoint_cb = train.ModelCheckpoint(prefix="checkpoint", directory="./checkpoints/rank_{}".format(get_rank()), config=ckpt_config)
model = ms.Model(net, loss_fn=loss_fn, optimizer=optimizer)
model.train(2, data_set, callbacks=[loss_cb, ckpoint_cb], dataset_sink_mode=True)
训练时通过指定dataset_sink_mode为True以配置为下沉模式,CheckpointConfig中需配置
integrated_save
为False
。
故障恢复
分布式的故障恢复,需要事先获取切分的信息,因而,需要先调用model.infer_train_layout
得到切分策略信息,继而再执行训练。
import mindspore as ms
from mindspore.communication import get_rank
# model create
# checkpoint load
if bool(args_opt.is_recover):
param_dict = ms.load_checkpoint("./checkpoints/rank_{}/checkpoint-2_1875.ckpt".format(get_rank()))
model.infer_train_layout(data_set)
ms.load_param_into_net(net, param_dict)
model.train(2, data_set, callbacks=[loss_cb, ckpoint_cb], dataset_sink_mode=True)
运行单机八卡脚本
接下来通过命令调用对应的脚本,以mpirun
启动方式,8卡的分布式脚本为例,通过下命令运行8卡的并行训练脚本:
bash run.sh
训练完成后,可以看到以下文件:
├─ log_output
| └─ 1
| ├─ rank.0
| | └─ stdout
| ├─ rank.1
| | └─ stdout
| ...
├─ checkpoints
| ├─ rank_0
| | ├─ checkpoint-1_1875.ckpt
| | ├─ checkpoint-2_1875.ckpt
| | ├─ checkpoint-graph.meta
| | └─ group_info.pb
| ├─ rank_1
| | ├─ checkpoint-1_1875.ckpt
| | ...
| ...
...
在log_output/1/rank.*/stdout
中,可以看到当前训练后的loss值,类似如下:
epoch: 1 step: 1875, loss is 0.71328689217567444
epoch: 2 step: 1875, loss is 0.32782320742607117
读取group_info.pb,可以获取到权重的冗余信息,该文件解析出来后将得到一个列表,该列表中的值为rank_id,表示这些列表中的rank_id对应的权重切片都是相同的,可以相互替换。 如下面的例子,0卡的group_info.pb解析出来后,发现0卡和4卡的权重切分是完全一致的,当0卡的checkpoint丢失时,可以直接复制4卡checkpoint作为0卡的checkpoint,进行恢复。
import mindspore as ms
rank_list = ms.restore_group_info_list("./checkpoints/rank_0/group_info.pb")
print(rank_list) // [0, 4]
而后,执行故障恢复训练脚本。
bash recover.sh
恢复训练结束后,查看loss如下,说明加载成功了。
epoch: 1 step: 1875, loss is 0.598689079284668
epoch: 2 step: 1875, loss is 0.266701698332226