模型保存
概述
本篇教程我们主要讲解,如何利用MindSpore进行分布式网络训练并保存模型文件。在分布式训练场景下,模型保存可以分为合并保存和非合并保存:合并保存需要额外的通信和内存开销,每张卡保存相同的模型文件,每个模型文件都包含网络的全部权重;非合并保存则只保存当前卡切分后的权重,有效减少了聚合需要的通信和内存开销。
相关接口:
mindspore.set_auto_parallel_context(strategy_ckpt_config=strategy_ckpt_dict)
:用于设置并行策略文件的配置。strategy_ckpt_dict
是用于设置并行策略文件的配置,是字典类型。strategy_ckpt_dict = {"load_file": "./stra0.ckpt", "save_file": "./stra1.ckpt", "only_trainable_params": False},其中:load_file(str)
:加载并行切分策略的路径。默认值:""
。save_file(str)
:保存并行切分策略的路径,分布式训练场景中该参数必须设置。默认值:""
。only_trainable_params(bool)
:仅保存/加载可训练参数的策略信息。默认值:True
。
mindspore.train.ModelCheckpoint(prefix='CKP', directory=None, config=None)
:在训练过程中调用该接口保存网络参数。该接口中可以通过配置config
来配置具体的策略,参见接口mindspore.train.CheckpointConfig
,需要注意的是,并行模式下需要对每张卡上运行的脚本指定不同的checkpoint保存路径,防止读写文件时发生冲突。mindspore.train.CheckpointConfig(save_checkpoint_steps=10, integrated_save=True)
:配置保存Checkpoint的策略。save_checkpoint_steps
表示每隔多少个step保存一次Checkpoint。integrated_save
表示在自动并行场景下,是否合并保存拆分后的模型文件。合并保存功能仅支持在自动并行场景中使用,在手动并行场景中不支持。
操作实践
下面以单机8卡为例,进行分布式训练下保存模型文件的操作说明:
样例代码说明
下载完整的样例代码:model_saving_loading。
目录结构如下:
└─ sample_code
├─ model_saving_loading
├── train_saving.py
├── run_saving.sh
...
...
其中,train_saving.py
是定义网络结构和训练过程的脚本。run_saving.sh
是执行脚本。
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,运行分布式训练的代码还需要指定并行模式,样例代码中指定并行模式parallel_mode
为半自动并行模式,通过strategy_ckpt_config
配置保存分布式策略文件,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
ms.set_context(mode=ms.GRAPH_MODE)
ms.set_auto_parallel_context(parallel_mode=ms.ParallelMode.SEMI_AUTO_PARALLEL)
ms.set_auto_parallel_context(strategy_ckpt_config={"save_file": "./src_strategy.ckpt"})
init()
ms.set_seed(1)
网络定义
网络定义中加入了ops.MatMul()
算子的切分策略:
from mindspore import nn, ops
from mindspore.common.initializer import initializer
class Dense(nn.Cell):
def __init__(self, in_channels, out_channels):
super().__init__()
self.weight = ms.Parameter(initializer("normal", [in_channels, out_channels], ms.float32))
self.bias = ms.Parameter(initializer("normal", [out_channels], ms.float32))
self.matmul = ops.MatMul()
self.add = ops.Add()
def construct(self, x):
x = self.matmul(x, self.weight)
x = self.add(x, self.bias)
return x
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = ops.Flatten()
self.layer1 = Dense(28*28, 512)
self.relu1 = ops.ReLU()
self.layer2 = Dense(512, 512)
self.relu2 = ops.ReLU()
self.layer3 = Dense(512, 10)
def construct(self, x):
x = self.flatten(x)
x = self.layer1(x)
x = self.relu1(x)
x = self.layer2(x)
x = self.relu2(x)
logits = self.layer3(x)
return logits
net = Network()
net.layer1.matmul.shard(((2, 1), (1, 2)))
net.layer3.matmul.shard(((2, 2), (2, 1)))
数据集加载
数据集加载方式与单卡模型一致,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)
训练网络
对于网络中切分的参数框架默认会自动聚合保存到模型文件,但考虑到在超大模型场景下,单个完整的模型文件过大会带来传输慢、难加载等问题,所以用户可以通过CheckpointConfig
中integrated_save
参数选择非合并保存,即每张卡保存各自卡上的参数切片。
import mindspore as ms
from mindspore.communication import get_rank
from mindspore import nn, train
optimizer = nn.SGD(net.trainable_params(), 1e-2)
loss_fn = nn.CrossEntropyLoss()
loss_cb = train.LossMonitor(20)
ckpt_config = train.CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=1, integrated_save=False)
ckpoint_cb = train.ModelCheckpoint(prefix="checkpoint",
directory="./src_checkpoints/rank_{}".format(get_rank()),
config=ckpt_config)
model = ms.Model(net, loss_fn=loss_fn, optimizer=optimizer)
model.train(10, data_set, callbacks=[loss_cb, ckpoint_cb])
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卡的分布式训练脚本为例,进行分布式训练:
bash run_saving.sh
训练完后,日志文件保存到log_output
目录下,Checkpoint文件保存在src_checkpoints
文件夹下,Checkpoint的切分策略保存在src_strategy.ckpt
文件中,当需要进行模型加载时,需要切分策略文件以及Checkpoint文件。文件目录结构如下:
├─ src_strategy.ckpt
├─ log_output
| └─ 1
| ├─ rank.0
| | └─ stdout
| ├─ rank.1
| | └─ stdout
| ...
├─ src_checkpoints
| ├─ rank_0
| | ├─ checkpoint-10_1875.ckpt
| | └─ checkpoint-graph.meta
| ├─ rank_1
| | ├─ checkpoint-10_1875.ckpt
| | ...
| ...
...
关于Loss部分结果保存在log_output/1/rank.*/stdout
中,示例如下:
epoch: 1 step: 20, loss is 2.2978780269622803
epoch: 1 step: 40, loss is 2.2965049743652344
epoch: 1 step: 60, loss is 2.2927846908569336
epoch: 1 step: 80, loss is 2.294496774673462
epoch: 1 step: 100, loss is 2.2829630374908447
epoch: 1 step: 120, loss is 2.2793829441070557
epoch: 1 step: 140, loss is 2.2842094898223877
epoch: 1 step: 160, loss is 2.269033670425415
epoch: 1 step: 180, loss is 2.267289400100708
epoch: 1 step: 200, loss is 2.257275342941284
...
通过配置mindspore.train.CheckpointConfig
中的integrated_save
为True
,可以开启合并保存,需要替换的代码如下:
...
ckpt_config = train.CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=3, integrated_save=True)
ckpoint_cb = train.ModelCheckpoint(prefix="checkpoint",
directory="./src_checkpoints_integrated/rank_{}".format(get_rank()),
config=ckpt_config)
...