支持 TorchScript 的分布式优化器

Created On: Apr 26, 2021 | Last Updated: Dec 02, 2024 | Last Verified: Nov 05, 2024

警告

TorchScript 不再被积极开发。

在此教程中，您将学习：

• 关于支持 TorchScript 的分布式优化器的高层理念及此功能的优点

• 如何编写自定义的支持 TorchScript 的分布式优化器

要求

• PyTorch 1.8+

• 分布式 RPC 框架入门教程

什么是分布式优化器？

DistributedOptimizer 接受一组远程参数 (RRef) 并在参数所在的工作节点上本地运行优化器，这通常与分布式 RPC/Autograd 一起使用以进行模型并行训练。它可以使用任何本地的优化器算法（无论是 torch.optim 提供的预定义算法，还是用户自定义的算法）在各个工作节点上应用梯度。

支持 TorchScript 的分布式优化器是什么？

分布式优化器广泛用于分布式模型并行训练，并且在一些常见情况下，由于性能问题和资源利用需要，训练需要以多线程而不是多进程的方式进行（或者至少部分多线程，例如参数服务器托管部分模型和参数，并启动新的线程按请求更新参数）。PyTorch 本身由于受到 Python 的全局解释器锁 (GIL) 限制，无法原生支持多线程训练，但可以利用 TorchScript 摆脱 GIL，从而以多线程方式运行模型。

对于关键的模型训练任务，提高训练性能是一个重要的主题。研究人员通常希望通过图形表示（例如操作符融合）或实现自定义的操作符内核来实现不同的优化策略，以加快训练速度。

支持 TorchScript 的分布式优化器可以帮助摆脱 GIL，从而在多线程环境下提高 PyTorch 的训练性能，同时也解锁了使用 TorchScript 提供的先进编译器技术（例如 CPU/GPU 融合）进一步提升性能的潜力。

如何编写支持 TorchScript 的自定义分布式优化器？

下面的代码展示了如何基于现有的本地优化器实现编写一个支持 TorchScript 的自定义分布式优化器，这解锁了包括去除 GIL 和性能提升机会在内的 TorchScript 优势。

假设你已经有了一个本地优化器，它当前在训练中被使用。在这种情况下，我们将使用 准双曲动量 (QHM) 作为示例来展示如何启用 TorchScript 支持，请注意这也适用于任何继承自 torch.optim.Optimizer 的自定义优化器。

首先，我们需要将计算和状态管理从优化器实现中分离出来，这样我们就可以提取计算部分并将其变成一个自由函数，这是 TorchScript 友好的。这有两个好处：1. 计算逻辑更容易检查，允许我们快速将参数更新/计算部分转换为 TorchScript，并利用 TorchScript IR 进一步做优化（操作符融合等）2. 分布式优化器的底层是通过不同的机制获取梯度并更新参数（我们单独存储梯度而不是在后向传播中直接填充 param.grad 字段）。分离计算允许分布式优化器在多线程模式下启用优化器更新的可能性，因为它消除了对 param.grad 的潜在竞态条件。

import torch
from torch import Tensor
from typing import List


def qhm_update(params: List[Tensor],
            dp_list: List[Tensor],
            momentum_buffer_list: List[Tensor],
            lr: float,
            nu: float,
            weight_decay: float,
            weight_decay_type: str,
            momentum: float):

    for p, d_p, momentum_buffer in zip(params, dp_list, momentum_buffer_list):
        if weight_decay != 0:
            if weight_decay_type == "grad":
                d_p.add_(weight_decay, p)
            elif weight_decay_type == "direct":
                p.mul_(1.0 - lr * weight_decay)
            else:
                raise ValueError("Invalid weight decay type provided")

        momentum_buffer.mul_(momentum).add_(1.0 - momentum, d_p)

        p.data.add_(-lr * nu, momentum_buffer)
        p.data.add_(-lr * (1.0 - nu), d_p)

接下来我们将定义具有 TorchScript 兼容性的分布式功能优化器，用于管理优化器状态并调用我们上面定义的 TorchScript 兼容更新函数。请注意，与普通自定义优化器相比，有几个约定不同：1. 我们不继承 torch.optim.Optimizer，因为 TorchScript 不支持多态性 2. step 接受梯度列表而不是损失闭包。

import torch
from torch import Tensor
from typing import List, Optional, Dict

# define this as a TorchScript class
@torch.jit.script
class FunctionalQHM(object):
    def __init__(self,
                params: List[Tensor],
                lr: float,
                momentum: float,
                nu: float,
                weight_decay: float = 0.0,
                weight_decay_type: str = "grad"):
        if lr < 0.0:
            raise ValueError("Invalid learning rate: {}".format(lr))
        if momentum < 0.0:
            raise ValueError("Invalid momentum value: {}".format(momentum))
        if weight_decay < 0.0:
            raise ValueError("Invalid weight_decay value: {}".format(weight_decay))
        if weight_decay_type not in ("grad", "direct"):
            raise ValueError("Invalid weight_decay_type value: {}".format(weight_decay_type))

        self.defaults = {
            "lr": lr,
            "momentum": momentum,
            "nu": nu,
            "weight_decay": weight_decay,
        }
        self.weight_decay_type = weight_decay_type

        # NOTE: we only have one param_group here and don't allow user to add additional
        # param group as it's not a common use case.
        self.param_group = {"params": params}

        self.state = torch.jit.annotate(Dict[torch.Tensor, Dict[str, torch.Tensor]], {})

    def step(self, gradients: List[Optional[Tensor]]):
        params = self.param_group['params']
        params_with_grad = []
        grads = []
        momentum_buffer_list: List[Tensor] = []

        if len(params) != len(gradients):
            raise ValueError(
                "the gradients passed in does not equal to the size of the parameters!"
                + f"Params length: {len(params)}. "
                + f"Gradients length: {len(gradients)}"
            )

        for param, gradient in zip(self.param_group['params'], gradients):
            if gradient is not None:
                params_with_grad.append(param)
                grads.append(gradient)
                state = self.state[param]
                state['momentum_buffer'] = torch.zeros_like(param, memory_format=torch.preserve_format)
                momentum_buffer_list.append(state['momentum_buffer'])

        # calls into the update function we just defined
        with torch.no_grad():
            qhm_update(params_with_grad,
                    grads,
                    momentum_buffer_list,
                    self.defaults['lr'],
                    self.defaults['nu'],
                    self.defaults['weight_decay'],
                    self.weight_decay_type,
                    self.defaults['momentum'])

最后，我们将新定义的分布式功能优化器注册到 functional_optim_map 中，这样 DistributedOptimizer 就会尝试选择我们的自定义实现，而不是预定义的默认实现。

from torch.distributed.optim import DistributedOptimizer

DistributedOptimizer.functional_optim_map[QHM] = FunctionalQHM

现在，你可以像正常使用优化器一样在分布式训练中使用 QHM，通过将它传递给 DistributedOptimizer

...
remote_params_list = [...]
dist_optim = DistributedOptimizer(
    QHM, remote_params_list, *args, **kwargs
)

DistributedOptimizer 将自动将 QHM 优化器转换为底层的 FunctionalQHM，并启用 TorchScript 支持。这将解锁通过多线程训练而加速的性能，同时还提供进一步改进的更多潜力（例如 TorchScript 融合等）。

请注意，大部分 PyTorch 内置优化器已经采用这种方法来加速分布式训练。如果你看到某些优化器尚未转换的警告，你可以按照这个教程编写自己的转换。