使用Parameter Server训练

Linux Ascend GPU 模型训练 中级 高级

概述

Parameter Server(参数服务器)是分布式训练中一种广泛使用的架构,相较于同步的AllReduce训练方法,Parameter Server具有更好的灵活性、可扩展性以及节点容灾的能力。具体来讲,参数服务器既支持同步SGD,也支持异步SGD的训练算法;在扩展性上,将模型的计算与模型的更新分别部署在Worker和Server两类进程中,使得Worker和Server的资源可以独立地横向扩缩;另外,在大规模数据中心的环境下,计算设备、网络以及存储经常会出现各种故障而导致部分节点异常,而在参数服务器的架构下,能够较为容易地处理此类的故障而不会对训练中的任务产生影响。

在MindSpore的参数服务器实现中,采用了开源的ps-lite作为基础架构,基于其提供的远程通信能力以及抽象的Push/Pull原语,实现了同步SGD的分布式训练算法,另外结合Ascend和GPU中的高性能集合通信库(HCCL和NCCL),MindSpore还提供了Parameter Server和AllReduce的混合训练模式,支持将部分权重通过参数服务器进行存储和更新,其余权重仍然通过AllReduce算法进行训练。

在ps-lite的架构设计中,一共包含三个独立的组件,分别是Server、Worker和Scheduler,作用分别是:

  • Server:保存模型的权重和反向计算的梯度值,并使用优化器通过Worker上传的梯度值对模型进行更新。

  • Worker:执行网络的正反向计算,反向计算的梯度值通过Push接口上传至Server中,通过Pull接口把Server更新好的模型下载到Worker本地。

  • Scheduler:用于建立Server和Worker的通信关系。

准备工作

以LeNet在Ascend 910上使用Parameter Server训练为例:

训练脚本准备

参考https://gitee.com/mindspore/mindspore/tree/r1.1/model_zoo/official/cv/lenet,使用MNIST数据集,了解如何训练一个LeNet网络。

参数设置

  1. 首先调用mindspore.context.set_ps_context(enable_ps=True)开启Parameter Server训练模式.

    • 此接口需在mindspore.communication.management.init()之前调用。

    • 若没有调用此接口,下面的环境变量设置则不会生效。

    • 调用mindspore.context.reset_ps_context()可以关闭Parameter Server训练模式。

  2. 在本训练模式下,有以下两种调用接口方式以控制训练参数是否通过Parameter Server进行更新,并且可以控制参数初始化位置:

    • 通过mindspore.nn.Cell.set_param_ps()nn.Cell中所有权重递归设置。

    • 通过mindspore.Parameter.set_param_ps()对此权重进行设置。

    • 被设置为通过Parameter Server更新的单个权重大小不得超过INT_MAX(2^31 - 1)字节。

    • 接口set_param_ps可接收一个bool型参数:init_in_server,表示该训练参数是否在Server端初始化,init_in_server默认值为False,表示在Worker上初始化该训练参数;当前仅支持EmbeddingLookup算子的训练参数embedding_table在Server端初始化,以解决超大shape的embedding_table在Worker上初始化导致内存不足的问题,该算子的target属性需要设置为’CPU’。在Server端初始化的训练参数将不再同步到Worker上,如果涉及到多Server训练并保存CheckPoint,则训练结束后每个Server均会保存一个CheckPoint。

  3. 原训练脚本基础上,设置LeNet模型所有权重通过Parameter Server训练:

    context.set_ps_context(enable_ps=True)
    network = LeNet5(cfg.num_classes)
    network.set_param_ps()
    
  4. [可选配置]针对超大shape的embedding_table,由于设备上存放不下全量的embedding_table,可以配置EmbeddingLookup算子vocab_cache_size,用于开启Parameter Server训练模式下EmbeddingLookup的cache功能,该功能使用vocab_cache_size大小的embedding_table在设备上训练,全量embedding_table存储在Server,将下批次训练用到的embedding_table提前换入到cache上,当cache放不下时则将过期的embedding_table放回到Server,以达到提升训练性能的目的,详细网络训练脚本参考https://gitee.com/mindspore/mindspore/tree/r1.1/model_zoo/official/recommend/wide_and_deep

    context.set_auto_parallel_context(full_batch=True)
    network = Net()
    model = Model(network)
    model.train(epoch, train_dataset, dataset_sink_mode=True)
    

    其中,

    • dataset_sink_mode:是否开启数据下沉模式 ,为True时表明开启,通过数据集通道传递数据,该场景中必须设置为True

    • full_batch:是否全量导入数据集,为True时表明全量导入,每卡的数据相同,在多worker场景中必须设置为True

环境变量设置

MindSpore通过读取环境变量,控制Parameter Server训练,环境变量包括以下选项(其中MS_SCHED_HOSTMS_SCHED_PORT所有脚本需保持一致):

export PS_VERBOSE=1                   # Print ps-lite log
export MS_SERVER_NUM=1                # Server number
export MS_WORKER_NUM=1                # Worker number
export MS_SCHED_HOST=XXX.XXX.XXX.XXX  # Scheduler IP address
export MS_SCHED_PORT=XXXX             # Scheduler port
export MS_ROLE=MS_SCHED               # The role of this process: MS_SCHED represents the scheduler, MS_WORKER represents the worker, MS_PSERVER represents the Server

执行训练

  1. shell脚本

    提供Worker,Server和Scheduler三个角色对应的shell脚本,以启动训练:

    Scheduler.sh:

    #!/bin/bash
    export PS_VERBOSE=1
    export MS_SERVER_NUM=1
    export MS_WORKER_NUM=1
    export MS_SCHED_HOST=XXX.XXX.XXX.XXX
    export MS_SCHED_PORT=XXXX
    export MS_ROLE=MS_SCHED
    python train.py --device_target=Ascend --data_path=path/to/dataset
    

    Server.sh:

    #!/bin/bash
    export PS_VERBOSE=1
    export MS_SERVER_NUM=1
    export MS_WORKER_NUM=1
    export MS_SCHED_HOST=XXX.XXX.XXX.XXX
    export MS_SCHED_PORT=XXXX
    export MS_ROLE=MS_PSERVER
    python train.py --device_target=Ascend --data_path=path/to/dataset
    

    Worker.sh:

    #!/bin/bash
    export PS_VERBOSE=1
    export MS_SERVER_NUM=1
    export MS_WORKER_NUM=1
    export MS_SCHED_HOST=XXX.XXX.XXX.XXX
    export MS_SCHED_PORT=XXXX
    export MS_ROLE=MS_WORKER
    python train.py --device_target=Ascend --data_path=path/to/dataset
    

    最后分别执行:

    sh Scheduler.sh > scheduler.log 2>&1 &
    sh Server.sh > server.log 2>&1 &
    sh Worker.sh > worker.log 2>&1 &
    

    启动训练

  2. 查看结果

    查看scheduler.log中Server与Worker通信日志:

    Bind to role=scheduler, id=1, ip=XXX.XXX.XXX.XXX, port=XXXX
    Assign rank=8 to node role=server, ip=XXX.XXX.XXX.XXX, port=XXXX
    Assign rank=9 to node role=worker, ip=XXX.XXX.XXX.XXX, port=XXXX
    the scheduler is connected to 1 workers and 1 servers
    

    说明Server、Worker与Scheduler通信建立成功。

    查看worker.log中训练结果:

    epoch: 1 step: 1, loss is 2.302287
    epoch: 1 step: 2, loss is 2.304071
    epoch: 1 step: 3, loss is 2.308778
    epoch: 1 step: 4, loss is 2.301943
    ...