使用 KerasHub 和 tf.distribute 进行数据并行训练
作者： Anshuman Mishra
创建日期 2023/07/07
最后修改日期 2023/07/07
描述： 使用 KerasHub 和 tf.distribute 进行数据并行训练。
简介
分布式训练是一种用于在多个设备或机器上同时训练深度学习模型的技术。它有助于减少训练时间，并允许使用更多数据训练更大的模型。KerasHub 是一个库，为自然语言处理任务（包括分布式训练）提供工具和实用程序。
在本教程中，我们将使用 KerasHub 在 wikitext-2 数据集（一个包含 200 万个维基百科文章词的数据集）上训练基于 BERT 的掩码语言模型 (MLM)。MLM 任务涉及预测句子中被掩盖的单词，这有助于模型学习单词的上下文表示。
本指南侧重于数据并行性，特别是同步数据并行性，其中每个加速器（GPU 或 TPU）都保存模型的完整副本，并看到输入数据的不同部分批次。在每个设备上计算部分梯度，聚合，并用于计算全局梯度更新。
具体而言，本指南教你如何在以下两种设置中使用 tf.distribute API 在多个 GPU 上训练 Keras 模型，只需对代码进行最小的更改
- 在安装在单个机器上的多个 GPU 上（通常为 2 到 8 个）（单主机、多设备训练）。这是研究人员和小规模行业工作流程中最常见的设置。
- 在多个机器的集群上，每个机器都托管一个或多个 GPU（多工作进程分布式训练）。对于大规模的行业工作流程，例如在 20-100 个 GPU 上对数十亿单词的数据集训练高分辨率文本摘要模型，这是一个很好的设置。
!pip install -q --upgrade keras-hub
!pip install -q --upgrade keras # Upgrade to Keras 3.
导入
import os
os.environ["KERAS_BACKEND"] = "tensorflow"
import tensorflow as tf
import keras
import keras_hub
在我们开始任何训练之前，让我们将我们的单个 GPU 配置为显示为两个逻辑设备。
当您使用两个或多个物理 GPU 进行训练时，这完全没有必要。这只是一个技巧，用于在默认的 colab GPU 运行时（只有一个 GPU 可用）上显示真正的分布式训练。
!nvidia-smi --query-gpu=memory.total --format=csv,noheader
physical_devices = tf.config.list_physical_devices("GPU")
tf.config.set_logical_device_configuration(
physical_devices[0],
[
tf.config.LogicalDeviceConfiguration(memory_limit=15360 // 2),
tf.config.LogicalDeviceConfiguration(memory_limit=15360 // 2),
],
)
logical_devices = tf.config.list_logical_devices("GPU")
logical_devices
EPOCHS = 3
24576 MiB
要使用 Keras 模型进行单主机、多设备同步训练，您可以使用 tf.distribute.MirroredStrategy API。以下是它的工作原理
- 实例化一个
MirroredStrategy，可以选择配置要使用的特定设备（默认情况下，策略将使用所有可用的 GPU）。 - 使用策略对象打开一个作用域，并在该作用域内，创建所有需要包含变量的 Keras 对象。通常，这意味着在分布式作用域内创建并编译模型。
- 像往常一样通过
fit()训练模型。
strategy = tf.distribute.MirroredStrategy()
print(f"Number of devices: {strategy.num_replicas_in_sync}")
INFO:tensorflow:Using MirroredStrategy with devices ('/job:localhost/replica:0/task:0/device:GPU:0', '/job:localhost/replica:0/task:0/device:GPU:1')
Number of devices: 2
基本批次大小和学习率
base_batch_size = 32
base_learning_rate = 1e-4
计算缩放的批次大小和学习率
scaled_batch_size = base_batch_size * strategy.num_replicas_in_sync
scaled_learning_rate = base_learning_rate * strategy.num_replicas_in_sync
现在，我们需要下载和预处理 wikitext-2 数据集。此数据集将用于预训练 BERT 模型。我们将过滤掉短行，以确保数据具有足够的训练上下文。
keras.utils.get_file(
origin="https://s3.amazonaws.com/research.metamind.io/wikitext/wikitext-2-v1.zip",
extract=True,
)
wiki_dir = os.path.expanduser("~/.keras/datasets/wikitext-2/")
# Load wikitext-103 and filter out short lines.
wiki_train_ds = (
tf.data.TextLineDataset(
wiki_dir + "wiki.train.tokens",
)
.filter(lambda x: tf.strings.length(x) > 100)
.shuffle(buffer_size=500)
.batch(scaled_batch_size)
.cache()
.prefetch(tf.data.AUTOTUNE)
)
wiki_val_ds = (
tf.data.TextLineDataset(wiki_dir + "wiki.valid.tokens")
.filter(lambda x: tf.strings.length(x) > 100)
.shuffle(buffer_size=500)
.batch(scaled_batch_size)
.cache()
.prefetch(tf.data.AUTOTUNE)
)
wiki_test_ds = (
tf.data.TextLineDataset(wiki_dir + "wiki.test.tokens")
.filter(lambda x: tf.strings.length(x) > 100)
.shuffle(buffer_size=500)
.batch(scaled_batch_size)
.cache()
.prefetch(tf.data.AUTOTUNE)
)
在上面的代码中，我们下载 wikitext-2 数据集并将其提取出来。然后，我们定义三个数据集：wiki_train_ds、wiki_val_ds 和 wiki_test_ds。过滤这些数据集以删除短行，并进行批处理以进行高效训练。
在 NLP 训练/调整中使用衰减的学习率是一种常见的做法。我们将在此处使用 PolynomialDecay 计划。
total_training_steps = sum(1 for _ in wiki_train_ds.as_numpy_iterator()) * EPOCHS
lr_schedule = tf.keras.optimizers.schedules.PolynomialDecay(
initial_learning_rate=scaled_learning_rate,
decay_steps=total_training_steps,
end_learning_rate=0.0,
)
class PrintLR(tf.keras.callbacks.Callback):
def on_epoch_end(self, epoch, logs=None):
print(
f"\nLearning rate for epoch {epoch + 1} is {model_dist.optimizer.learning_rate.numpy()}"
)
让我们也创建一个 TensorBoard 的回调，这将使我们在本教程的后面部分训练模型时能够可视化不同的指标。我们将所有回调放在一起，如下所示
callbacks = [
tf.keras.callbacks.TensorBoard(log_dir="./logs"),
PrintLR(),
]
print(tf.config.list_physical_devices("GPU"))
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
准备好数据集后，我们现在在 strategy.scope() 中初始化并编译我们的模型和优化器。
with strategy.scope():
# Everything that creates variables should be under the strategy scope.
# In general this is only model construction & `compile()`.
model_dist = keras_hub.models.BertMaskedLM.from_preset("bert_tiny_en_uncased")
# This line just sets pooled_dense layer as non-trainiable, we do this to avoid
# warnings of this layer being unused
model_dist.get_layer("bert_backbone").get_layer("pooled_dense").trainable = False
model_dist.compile(
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=tf.keras.optimizers.AdamW(learning_rate=scaled_learning_rate),
weighted_metrics=[keras.metrics.SparseCategoricalAccuracy()],
jit_compile=False,
)
model_dist.fit(
wiki_train_ds, validation_data=wiki_val_ds, epochs=EPOCHS, callbacks=callbacks
)
Epoch 1/3
Learning rate for epoch 1 is 0.00019999999494757503
239/239 ━━━━━━━━━━━━━━━━━━━━ 43s 136ms/step - loss: 3.7009 - sparse_categorical_accuracy: 0.1499 - val_loss: 1.1509 - val_sparse_categorical_accuracy: 0.3485
Epoch 2/3
239/239 ━━━━━━━━━━━━━━━━━━━━ 0s 122ms/step - loss: 2.6094 - sparse_categorical_accuracy: 0.5284
Learning rate for epoch 2 is 0.00019999999494757503
239/239 ━━━━━━━━━━━━━━━━━━━━ 32s 133ms/step - loss: 2.6038 - sparse_categorical_accuracy: 0.5274 - val_loss: 0.9812 - val_sparse_categorical_accuracy: 0.4006
Epoch 3/3
239/239 ━━━━━━━━━━━━━━━━━━━━ 0s 123ms/step - loss: 2.3564 - sparse_categorical_accuracy: 0.6053
Learning rate for epoch 3 is 0.00019999999494757503
239/239 ━━━━━━━━━━━━━━━━━━━━ 32s 134ms/step - loss: 2.3514 - sparse_categorical_accuracy: 0.6040 - val_loss: 0.9213 - val_sparse_categorical_accuracy: 0.4230
在作用域下拟合我们的模型后，我们像往常一样对其进行评估！
model_dist.evaluate(wiki_test_ds)
29/29 ━━━━━━━━━━━━━━━━━━━━ 3s 60ms/step - loss: 1.9197 - sparse_categorical_accuracy: 0.8527
[0.9470901489257812, 0.4373602867126465]
对于跨多个机器的分布式训练（与仅利用单个机器上的多个设备进行训练相反），您可以使用两种分布式策略：MultiWorkerMirroredStrategy 和 ParameterServerStrategy
tf.distribute.MultiWorkerMirroredStrategy实现了一个同步的 CPU/GPU 多工作进程解决方案，用于使用 Keras 风格的模型构建和训练循环，使用副本之间的同步梯度减少。tf.distribute.experimental.ParameterServerStrategy实现了一个异步的 CPU/GPU 多工作进程解决方案，其中参数存储在参数服务器上，而工作进程异步地将梯度更新到参数服务器。