保存和加载模型（HyBrid Parallel模式）

查看源文件

概述

背景

MindSpore模型并行场景下，每个实例进程只保存有本节点对应的参数数据。对于模型并行的Cell，其在每个节点上的参数数据，都是完整参数数据的一个切片。比如完整参数数据shape为[8, 8]，每个节点上的参数数据为其中的一部分，如shape[2, 8]。

对于自动切分的模型并行场景（Auto Parallel），切分逻辑由MindSpore自动生成，MindSpore的CheckPoint模块可以支持自动合并保存和基于合并保存的加载能力。

对于用户手动设置的并行场景（HyBrid Parallel），切分逻辑由用户自己实现，MindSpore在每个节点上保存相同的模型参数切分策略文件和本节点上的数据，用户需要自己实现CheckPoint文件的合并保存与加载功能。本教程用于指导用户在手动切分场景下，实现CheckPoint的合并保存与加载能力。

使用场景

如果你遇到如下两个场景，需要参考本教程操作，完成CheckPoint的合并保存与加载：

场景1：多卡训练，单卡推理。

以在64卡上训练，并在单卡上推理为例，整体操作流程如下：

  1. 执行训练，自动生成CheckPoint文件和模型参数切分策略文件。

  2. 用户对保存的CheckPoint文件做合并处理。

    根据具体的切分逻辑，对于存在切分的具体模型参数做合并处理，生成新CheckPoint文件。

  3. 在单卡环境加载新的CheckPoint文件，之后再根据需要调用export接口导出用于推理的模型。

若CheckPoint的保存环境和加载环境集群的卡数相同，比如在同一训练环境保存加载CheckPoint，或者单卡训练单卡推理，则可以不需要做合并保存和加载。

场景2：训练分为多阶段，每个阶段的集群大小不一样。

​ 以训练阶段一是64卡训练环境，阶段二是56卡训练环境为例，整体操作流程如下：

  1. 执行阶段一训练，自动生成CheckPoint文件和模型参数切分策略文件。

  2. 用户对保存的CheckPoint文件做合并处理。

    根据具体的切分逻辑，对于存在切分的具体模型参数做合并处理，生成新CheckPoint文件。

  3. 在阶段二集群上加载合并保存的CheckPoint文件。

    在加载过程中，用户需要根据新的训练环境配置，重新切分CheckPoint文件中的参数数据。

  4. 执行阶段二训练。

对保存的CheckPoint文件做合并处理

整体流程

首先，执行准备工作，按逻辑顺序将待合并处理的CheckPoint文件导入网络，获取模型全量参数并添加至列表中，再获取模型参数切分策略。对应下图中的Step1和Step2。

其次，更新参数列表，对涉及模型并行的参数做合并处理。对应下图中的Step3。

最后，将更新之后的参数列表，通过MindSpore提供的API保存到文件，生成新的CheckPoint文件。对应下图中的Step4。

img

准备工作

按逻辑顺序导入CheckPoint文件

定义网络，调用load_checkpoint、load_param_into_net接口，按逻辑顺序将CheckPoint文件导入网络，之后调用parameters_and_names接口获取网络里所有的参数数据。

net = Net()
opt = Momentum(learning_rate=0.01, momentum=0.9, params=net.get_parameters())
net = TrainOneStepCell(net, opt)
param_dicts = []
for i in range(rank_size):
    file_name = os.path.join("./node"+str(i), "CKP_1-4_32.ckpt")  # checkpoint file name of current node
    param_dict = ms.load_checkpoint(file_name)  
    ms.load_param_into_net(net, param_dict)
    param_dict = {}
    for _, param in net.parameters_and_names():
        param_dict[param.name] = param
    param_dicts.append(param_dict)

其中，

  • rank_size：之前分布式训练的节点数。

  • load_checkpoint：通过该接口加载CheckPoint模型参数文件，返回一个参数字典。

  • load_param_into_net：模型参数数据加载到网络中。

获取模型参数切分策略

调用build_searched_strategy接口，得到模型各个参数的切分策略。

strategy = ms.build_searched_strategy("./strategy_train.ckpt")

其中，

  • strategy_train.ckpt：保存的模型参数切分策略文件名称，训练网络之前由用户调用set_auto_parallel_context接口自定义strategy_ckpt_save_file参数生成。

对模型并行的参数做合并处理

下面以一个具体的模型参数为例，说明下参数合并处理的具体流程。

参数名称为”weight”，切分逻辑为4卡场景。

  1. 针对涉及模型并行的参数，获取所有节点上的参数数据。

    sliced_parameters = []
for i in range(4):
    parameter = param_dicts[i].get("weight")
    sliced_parameters.append(parameter)

    如果要保证参数更新速度不变，需要对优化器中保存的参数，如”moments.weight”，同样做合并处理。

  2. 调用merge_sliced_parameter接口进行参数合并。

    merged_parameter = ms.merge_sliced_parameter(sliced_parameters, strategy)

如果存在多个模型并行的参数，则需要重复步骤1到步骤2循环逐个处理。

保存数据生成新的CheckPoint文件

  1. 将param_dict转换为list类型数据。

    param_list = []
for (key, value) in param_dict.items():
    each_param = {}
    each_param["name"] = key
    if isinstance(value.data, ms.Tensor):
        param_data = value.data
    else:
        param_data = ms.Tensor(value.data)
    each_param["data"] = param_data
    param_list.append(each_param)

  2. 调用save_checkpoint接口，将参数数据写入文件，生成新的CheckPoint文件。

    ms.save_checkpoint(param_list, "./CKP-Integrated_1-4_32.ckpt")

    其中，

    • save_checkpoint： 通过该接口将网络模型参数信息存入文件。

    • CKP-Integrated_1-4_32.ckpt： 新生成的CheckPoint模型参数文件名称。

加载合并保存的CheckPoint文件

整体流程

如果需要将合并保存的CheckPoint加载到多卡训练或推理中，在模型参数真正加载到网络前，需要对于涉及并行的参数数据按照新的逻辑切分。 如下步骤在训练前脚本里实现，步骤1和3同单机CheckPoint加载的逻辑，步骤2为新增，用于涉及并行的模型参数的切分。 对于加载到单卡训练/推理的场景，不涉及数据切分，则步骤2可省略。

步骤1：加载CheckPoint文件

调用load_checkpoint接口，从CheckPoint文件中加载模型参数数据。

param_dict = ms.load_checkpoint("./CKP-Integrated_1-4_32.ckpt")

  • load_checkpoint：通过该接口加载CheckPoint模型参数文件，返回一个参数字典。

  • CKP-Integrated_1-4_32.ckpt：需要加载的CheckPoint模型参数文件名称。

步骤2：对模型并行参数做切分处理

下面以一个具体的模型参数为例，参数名称为”weight”， 数据值为Tensor [[1, 2, 3, 4], [5, 6, 7, 8]]，切分逻辑为2卡场景，按[2, 1]切分。 切分后数据分布情况如下：

Device0

Device1

Value [1, 2, 3, 4]

Value [5, 6, 7, 8]

  1. 对模型参数数据做切分。

    如下代码示例，在维度0上，将数据切分为两个切片。

    new_param = parameter_dict["weight"]
slice_list = np.split(new_param.data.asnumpy(), 2, axis=0)
new_param_moments = parameter_dict["moments.weight"]
slice_moments_list = np.split(new_param_moments.data.asnumpy(), 2, axis=0)

    切分后的数据情况：

    slice_list[0]  --- [1, 2, 3, 4]    对应device0
slice_list[1]  --- [5, 6, 7, 8]    对应device1

    与slice_list类似，slice_moments_list 也被切分为两个shape为[1, 4]的Tensor。

  2. 在每个节点分别加载对应的数据切片。

    获取本节点的rank_id，根据rank_id加载数据。

    rank = get_rank()
tensor_slice = ms.Tensor(slice_list[rank])
tensor_slice_moments = ms.Tensor(slice_moments_list[rank])

    • get_rank：获取当前设备在集群中的ID。

  3. 修改模型参数数据值。

    new_param.set_data(tensor_slice, True)
new_param_moments.set_data(tensor_slice_moments, True)

    • set_data：设置模型参数的值，接口参数类型为Tensor 或number。

步骤3：将修改后的参数数据加载到网络中

调用load_param_into_net接口，将模型参数数据加载到网络中。

net = Net()
opt = Momentum(learning_rate=0.01, momentum=0.9, params=parallel_net.get_parameters())
ms.load_param_into_net(net, param_dict)
ms.load_param_into_net(opt, param_dict)

示例

示例场景说明

整体场景：训练分为两个阶段，两阶段的集群规模不一致，模拟FC层MatMul算子并行。

用户流程：

  1. 执行阶段1训练：阶段1为4卡训练环境，每卡上MatMul算子weight的shape为[2, 8]，训练过程中自动导出CheckPoint。

  2. 执行脚本对CheckPoint文件做合并处理，根据具体的切分逻辑，对于存在切分的具体模型参数做合并处理，生成合并的CheckPoint文件。

  3. 执行阶段2训练：阶段2为2卡训练环境，每卡上MatMul算子weight的shape为[4, 8]，从合并后的CheckPoint文件加载初始化模型参数数据，之后执行训练。

具体分布式环境配置和训练部分代码，此处不做详细说明，可以参考分布式并行训练 章节。

本文档附上对CheckPoint文件做合并处理以及分布式训练前加载CheckPoint文件的示例代码，仅作为参考，实际请参考具体情况实现。

示例代码

  1. 执行脚本对CheckPoint文件做合并处理。

    脚本执行命令：

    python  ./integrate_checkpoint.py "待合并的CheckPoint文件名称" "合并生成的CheckPoint文件路径&名称" "策略文件路径&名称" "节点数"

    integrate_checkpoint.py：

    import numpy as np
import os
import mindspore.nn as nn
import mindspore as ms
import mindspore.ops as ops

class Net(nn.Cell):
    def __init__(self,weight_init):
        super(Net, self).__init__()
        self.weight = ms.Parameter(ms.Tensor(weight_init), layerwise_parallel=True)
        self.fc = ops.MatMul(transpose_b=True)

    def construct(self, x):
        x = self.fc(x, self.weight)
        return x

def integrate_ckpt_file(old_ckpt_file, new_ckpt_file, strategy_file, rank_size):
    weight = np.ones([2, 8]).astype(np.float32)
    net = Net(weight)
    opt = Momentum(learning_rate=0.01, momentum=0.9, params=net.get_parameters())
    net = TrainOneStepCell(net, opt)

    # load CheckPoint into net in rank id order
    param_dicts = []
    for i in range(rank_size):
        file_name = os.path.join("./node"+str(i), old_ckpt_file)
        param_dict = ms.load_checkpoint(file_name)  
        ms.load_param_into_net(net, param_dict)
        param_dict = {}
        for _, param in net.parameters_and_names():
            param_dict[param.name] = param
            param_dicts.append(param_dict)

    strategy = ms.build_searched_strategy(strategy_file)
    param_dict = {}

    for paramname in ["weight", "moments.weight"]:
        # get layer wise model parallel parameter
        sliced_parameters = []
        for i in range(rank_size):
            parameter = param_dicts[i].get(paramname)
            sliced_parameters.append(parameter)

        # merge the parallel parameters of the model
        merged_parameter = ms.merge_sliced_parameter(sliced_parameters, strategy)
        param_dict[paramname] = merged_parameter

    # convert param_dict to list type data
    param_list = []
    for (key, value) in param_dict.items():
        each_param = {}
        each_param["name"] = key
        if isinstance(value.data, ms.Tensor):
            param_data = value.data
        else:
            param_data = ms.Tensor(value.data)
        each_param["data"] = param_data
        param_list.append(each_param)

    # call the API to generate a new CheckPoint file
    ms.save_checkpoint(param_list, new_ckpt_file)

    return

if __name__ == "__main__":
    try:
        old_ckpt_file = sys.argv[1]
        new_ckpt_file = sys.argv[2]
        strategy_file = sys.argv[3]
        rank_size = int(sys.argv[4])
        integrate_ckpt_file(old_ckpt_file, new_ckpt_file, strategy_file, rank_size)
    except:
        print("Fail to integrate checkpoint file")
        sys.exit(-1)

    执行结果：

    脚本执行前，CheckPoint文件中参数值：

    device0:
name is weight
value is
[[0.87537426 1.0448935 0.86736983 0.8836905 0.77354026 0.69588304 0.9183654 0.7792076]
 [0.87224025 0.8726848 0.771446 0.81967723 0.88974726 0.7988162 0.72919345 0.7677011]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.2567724 -0.07485991 0.282002 0.2456022 0.454939 0.619168 0.18964815 0.45714882]
 [0.25946522 0.24344791 0.45677605 0.3611395 0.23378398 0.41439137 0.5312468 0.4696194]]

device1:
name is weight
value is
[[0.9210751 0.9050457 0.9827775 0.920396 0.9240526 0.9750359 1.0275179 1.0819869]
 [0.73605865 0.84631145 0.9746683 0.9386582 0.82902765 0.83565056 0.9702136 1.0514659]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.2417504 0.28193963 0.06713893 0.21510397 0.23380603 0.11424308 0.0218009 -0.11969765]
 [0.45955992 0.22664294 0.01990281 0.0731914 0.27125207 0.27298513 -0.01716102 -0.15327111]]

device2:
name is weight
value is
[[1.0108461 0.8689414  0.91719437 0.8805056 0.7994629 0.8999671 0.7585804 1.0287056 ]
 [0.90653455 0.60146594 0.7206475 0.8306303 0.8364681 0.89625114 0.7354735 0.8447268]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.03440702 0.41419312 0.24817684 0.30765256 0.48516113 0.24904746 0.57791173 0.00955463]
 [0.13458519 0.6690533 0.49259356 0.28319967 0.25951773 0.16777472 0.45696738 0.24933104]]

device3:
name is weight
value is
[[0.7147005 0.9168278 0.80178416 0.6258351 0.8413766 0.5909515 0.696347 0.71359116]
 [0.20506378 0.03691584 0.2454556 0.12978578 0.19065076 0.23904312 0.27509746 0.34614682]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.14152306 0.5040985 0.24455397 0.10907605 0.11319532 0.19538902 0.01208619 0.40430856]
[-0.7773164 -0.47611716 -0.6041424 -0.6144473 -0.2651842 -0.31909415 -0.4510405 -0.12860501]]

    脚本执行后，CheckPoint文件中参数值：

    name is weight
value is
[[1.1138763 1.0962057 1.3516843 1.0812817 1.1579804 1.1078343 1.0906502 1.3207073]
 [0.916671 1.0781671 1.0368758 0.9680898 1.1735439 1.0628364 0.9960786 1.0135143]
 [0.8828271 0.7963984 0.90675324 0.9830291 0.89010954 0.897052 0.7890109 0.89784735]
 [1.0011744 1.0840297 1.0201758 1.0882459 0.94232416 1.0775206 1.0195118 1.0528734]
 [1.0053468 0.98402303 0.99762845 0.97587246 1.0259694 1.0055295 0.99420834 0.9496847]
 [1.0851002 1.0295962 1.0999886 1.0958165 0.9765328 1.146529 1.0970603 1.1388365]
 [0.7147005 0.9168278 0.80178416 0.6258351 0.8413766 0.5909515 0.696347 0.71359116]
 [0.20506378 0.03691584 0.2454556 0.12978578 0.19065076 0.23904312 0.27509746 0.34614682]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.2567724 -0.07485991 0.282002 0.2456022 0.454939 0.619168 0.18964815 0.45714882]
 [0.25946522 0.24344791 0.45677605 0.3611395 0.23378398 0.41439137 0.5312468 0.4696194 ]
 [0.2417504 0.28193963 0.06713893 0.21510397 0.23380603 0.11424308 0.0218009 -0.11969765]
 [0.45955992 0.22664294 0.01990281 0.0731914 0.27125207 0.27298513 -0.01716102 -0.15327111]
 [0.03440702 0.41419312 0.24817684 0.30765256 0.48516113 0.24904746 0.57791173 0.00955463]
 [0.13458519 0.6690533 0.49259356 0.28319967 0.25951773 0.16777472 0.45696738  0.24933104]
 [0.14152306 0.5040985 0.24455397 0.10907605 0.11319532 0.19538902 0.01208619  0.40430856]
 [-0.7773164 -0.47611716 -0.6041424 -0.6144473 -0.2651842 -0.31909415 -0.4510405
  -0.12860501]]

  2. 执行阶段2训练，训练前加载CheckPoint文件。其中训练代码部分，需要根据实际情况补充。

    import numpy as np
import os
import mindspore.nn as nn
import mindspore as ms
from mindspore.communication import init
import mindspore.ops as ops

devid = int(os.getenv('DEVICE_ID'))
ms.set_context(mode=ms.GRAPH_MODE,device_target='Ascend',save_graphs=2, device_id=devid)
init()

class Net(nn.Cell):
    def __init__(self,weight_init):
        super(Net, self).__init__()
        self.weight = ms.Parameter(ms.Tensor(weight_init), layerwise_parallel=True)
        self.fc = ops.MatMul(transpose_b=True)

    def construct(self, x):
        x = self.fc(x, self.weight)
        return x
def train_mindspore_impl_fc(input, label, ckpt_file):
    param_dict = ms.load_checkpoint(ckpt_file)

    for paramname in ["weight", "moments.weight"]:
        # get layer wise model parallel parameter
        new_param = parameter_dict[paramname]
        # split the model parameter data
        slice_list = np.split(new_param.data.asnumpy(), 2, axis=0)
        # Load the corresponding data slice
        rank = get_rank()
        tensor_slice = ms.Tensor(slice_list[rank])
        # modify model parameter data values
        new_param.set_data(tensor_slice, True)

        # load the modified parameter data into the network
        weight = np.ones([4, 8]).astype(np.float32)
        net = Net(weight)
        ms.load_param_into_net(net, param_dict)
        opt = Momentum(learning_rate=0.01, momentum=0.9, params=parallel_net.get_parameters())
        ms.load_param_into_net(opt, param_dict)
        # train code
        ...

    if __name__ == "__main__":
        input = np.random.random((4, 8)).astype(np.float32)
        print("mean = ", np.mean(input,axis=1, keepdims=True))
        label = np.random.random((4, 4)).astype(np.float32)
        ckpt_file = sys.argv[1]
        train_mindspore_impl_fc(input, label, ckpt_file)

    其中，

    • mode=ms.GRAPH_MODE：使用分布式训练需要指定运行模式为图模式（PyNative模式不支持并行）。

    • device_id：卡物理序号，即卡所在机器中的实际序号。

    • init：完成分布式训练初始化操作。

    加载后的参数值：

    device0:
name is weight
value is
[[0.87537426 1.0448935 0.86736983 0.8836905 0.77354026 0.69588304 0.9183654 0.7792076]
[0.87224025 0.8726848 0.771446 0.81967723 0.88974726 0.7988162 0.72919345 0.7677011]
[0.8828271 0.7963984 0.90675324 0.9830291 0.89010954 0.897052 0.7890109 0.89784735]
[1.0011744 1.0840297 1.0201758 1.0882459 0.94232416 1.0775206 1.0195118 1.0528734]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.2567724 -0.07485991 0.282002 0.2456022 0.454939 0.619168 0.18964815 0.45714882]
[0.25946522 0.24344791 0.45677605 0.3611395 0.23378398 0.41439137 0.5312468 0.4696194]
[0.2417504 0.28193963 0.06713893 0.21510397 0.23380603 0.11424308 0.0218009 -0.11969765]
[0.45955992 0.22664294 0.01990281 0.0731914 0.27125207 0.27298513 -0.01716102  -0.15327111]]

device1:
name is weight
value is
[[1.0053468 0.98402303 0.99762845 0.97587246 1.0259694 1.0055295 0.99420834 0.9496847]
[1.0851002 1.0295962 1.0999886 1.0958165 0.9765328 1.146529 1.0970603 1.1388365]
[0.7147005 0.9168278 0.80178416 0.6258351 0.8413766 0.5909515 0.696347 0.71359116]
[0.20506378 0.03691584 0.2454556 0.12978578 0.19065076 0.23904312 0.27509746 0.34614682]]
name is learning_rate
value is [0.01]
name is momentum
value is [0.9]
name is moments.weight
value is
[[0.03440702 0.41419312 0.24817684 0.30765256 0.48516113 0.24904746 0.57791173 0.00955463]
[0.13458519 0.6690533 0.49259356 0.28319967 0.25951773 0.16777472 0.45696738  0.24933104]
[0.14152306 0.5040985 0.24455397 0.10907605 0.11319532 0.19538902 0.01208619  0.40430856]
[-0.7773164 -0.47611716 -0.6041424 -0.6144473 -0.2651842 -0.31909415 -0.4510405 -0.12860501]]