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
上次修改 2023/07/07
描述：使用 KerasHub 和 tf.distribute 进行数据并行训练。
介绍
分布式训练是一种技术，用于同时在多个设备或机器上训练深度学习模型。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，它提供用于自然语言处理任务（包括分布式训练）的工具和实用程序。
在本教程中，我们将使用 KerasHub 在 wikitext-2 数据集（一个包含 200 万个单词的维基百科文章数据集）上训练基于 BERT 的掩码语言模型 (MLM)。MLM 任务涉及预测句子中的掩码词，这有助于模型学习词的上下文表示。
本指南重点介绍数据并行，特别是同步数据并行，其中每个加速器（GPU 或 TPU）都拥有模型的完整副本，并且看到了输入数据的不同部分批次。在每个设备上计算部分梯度，聚合它们并用于计算全局梯度更新。
具体来说，本指南将教你如何使用 tf.distribute API 在多个 GPU 上训练 Keras 模型，并在以下两种设置中对代码进行最小的更改
- 在安装在单台机器（单主机，多设备训练）上的多个 GPU（通常为 2 到 8 个）上。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（多工作器分布式训练）。对于大型行业工作流程，这是一个很好的设置，例如在 20-100 个 GPU 上训练数百万单词数据集的高分辨率文本摘要模型。
!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
在开始任何训练之前，让我们将单 GPU 配置为显示为两个逻辑设备。
当你使用两个或更多物理 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）上展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，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范围，并在该范围中创建所有包含变量的 Keras 对象。通常，这意味着在分布范围中创建和编译模型。
- 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
基础批次大小和学习率
base_batch_size = 32
base_learning_rate = 1e-4
计算缩放后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。该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上下文信息来进行训练。
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 数据集并解压缩它。然后，我们定义了三个数据集：wiki_train_ds、wiki_val_ds 和 wiki_test_ds。这些数据集被过滤掉短行，并被批处理以提高训练效率。
在 NLP 训练/调整中，使用衰减学习率是一种常见的做法。我们将在这里使用 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()}"
)
我们还可以创建一个 TensorBoard 回调，这将使我们能够在后面的教程中可视化训练模型时的不同指标。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() 中初始化和编译模型和优化器
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
在范围内拟合模型后，我们可以正常地对其进行评估！
model_dist.evaluate(wiki_test_ds)
29/29 ━━━━━━━━━━━━━━━━━━━━ 3s 60ms/step - loss: 1.9197 - sparse_categorical_accuracy: 0.8527
[0.9470901489257812, 0.4373602867126465]
对于跨多台机器的分布式训练（与仅利用单台机器上的多个设备进行的训练相反），可以使用两种分布策略：MultiWorkerMirroredStrategy 和 ParameterServerStrategy
tf.distribute.MultiWorkerMirroredStrategy实现了一个同步 CPU/GPU 多工作器解决方案，用于与 Keras 风格的模型构建和训练循环一起使用，使用跨副本的梯度同步缩减。tf.distribute.experimental.ParameterServerStrategy实现了一个异步 CPU/GPU 多工作器解决方案，其中参数存储在参数服务器上，而工作器异步地将梯度更新到参数服务器。