Parameter Server模式

查看源文件

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(Stochastic Gradient Descent,随机梯度下降),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(新增或者删除Worker和Server资源);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故障而不会对训练中的任务产生影响。

基本原理

MindSpore的参数服务器采用了自研的通信框架作为基础架构,基于该框架提供的远程通信能力以及抽象的Send/Broadcast等原语,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。

在参数服务器的架构设计中,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。

操作实践

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/models/tree/r1.9/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.set_ps_context(enable_ps=True)开启Parameter Server训练模式.

    • 此接口需在mindspore.communication.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.reset_ps_context()可以关闭Parameter Server训练模式。

  2. 然后调用mindspore.communication.init(),这一步骤初始化分布式训练,包括ServerWorkerScheduler三种节点的组网,集合通信初始化(HCCL, NCCL)。

    • MindSpore 1.8.0版本及以后,不再支持使用mpirun启动Parameter Server训练,MindSpore使用内置通信模块进行集群搭建以及集合通信初始化,因此Worker进程侧的数据并行/自动并行等特性依旧能够使用,详见不依赖OpenMPI进行训练

  3. 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()mindspore.Parameter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。

  4. LeNet原训练脚本基础上,设置该模型所有权重由Parameter Server训练:

    set_ps_context(enable_ps=True)
    init()
    network = LeNet5(cfg.num_classes)
    network.set_param_ps()
    
  5. [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;训练结束后,可在Server上导出CheckPoint,保存训练后的全量embedding_table。Embedding cache支持sparse模式,需要将所有开启cache的EmbeddingLookup算子的sparse参数都设为True,sparse模式会对该算子输入的特征id做去重处理,以降低计算与通信量。详细网络训练脚本参考https://gitee.com/mindspore/models/tree/r1.9/official/recommend/wide_and_deep

    set_auto_parallel_context(full_batch=True, parallel_mode=ParallelMode.AUTO_PARALLEL)
    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时表示开启,通过数据集通道传递数据,该场景中必须设置为True(训练中推理也需要开启数据下沉模式)。

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

    • parallel_mode:并行模式,多Worker场景需要开启自动并行模式,设置parallel_mode=ParallelMode.AUTO_PARALLEL

Parameter Server模式暂时不支持控制流,因此在train.py中,需要将model = Model(network, net_loss, net_opt, metrics={"Accuracy": Accuracy()}, amp_level="O2")修改为model = Model(network, net_loss, net_opt, metrics={"Accuracy": Accuracy()}),将混合精度amp_level选项关闭,消除控制流的影响。

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(所有脚本中的MS_SCHED_HOSTMS_SCHED_PORT值需保持一致):

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 MS_SERVER_NUM=8
    export MS_WORKER_NUM=8
    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 > scheduler.log 2>&1 &
    

    Server.sh:

    #!/bin/bash
    export MS_SERVER_NUM=8
    export MS_WORKER_NUM=8
    export MS_SCHED_HOST=XXX.XXX.XXX.XXX
    export MS_SCHED_PORT=XXXX
    export MS_ROLE=MS_PSERVER
    for((server_id=0;server_id<${MS_SERVER_NUM};server_id++))
    do
        python train.py --device_target=Ascend --data_path=path/to/dataset > server_${server_id}.log 2>&1 &
    done
    

    Worker.sh:

    #!/bin/bash
    export MS_SERVER_NUM=8
    export MS_WORKER_NUM=8
    export MS_SCHED_HOST=XXX.XXX.XXX.XXX
    export MS_SCHED_PORT=XXXX
    export MS_ROLE=MS_WORKER
    for((worker_id=0;worker_id<${MS_WORKER_NUM};worker_id++))
    do
        python train.py --device_target=Ascend --data_path=path/to/dataset > worker_${worker_id}.log 2>&1 &
    done
    

    最后分别执行:

    sh Scheduler.sh
    sh Server.sh
    sh Worker.sh
    

    启动训练。MindSpore使用以上方式启动多Worker和多Server训练,对第三方组件无依赖。

  2. 查看结果

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

    The server node id:b5d8a47c-46d7-49a5-aecf-d29d7f8b6124,node ip: 10.*.*.*,node port:46737 assign rank id:0
    The worker node id:55e86d4b-d717-4930-b414-ebd80082f541 assign rank id:1
    Start the scheduler node is successful!
    

    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
    ...