作者:Anshuman Mishra
创建日期 2023/07/07
上次修改日期 2023/07/07
描述:使用 KerasHub 和 tf.distribute 进行数据并行训练。
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,它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被掩码的单词,这有助于模型学习单词的上下文表示。
本指南重点介绍数据并行性,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,并查看输入数据的不同部分批次。在每个设备上计算部分梯度,聚合这些梯度,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 在多台 GPU 上训练 Keras 模型,只需对代码进行最少的更改,即可在以下两种设置中进行训练
!pip install -q --upgrade keras-hub
!pip install -q --upgrade keras # Upgrade to Keras 3.
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,让我们配置我们的单个 GPU 以显示为两个逻辑设备。
当您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)上展示真实的分布式训练。
!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。以下是其工作原理
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)。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,我们需要下载并预处理 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,我们下载了 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。这些数据集经过过滤以去除短行,并进行批处理以实现高效训练。
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
调度。
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()}"
)
让我们也为 TensorBoard 创建一个回调,这将使我们能够在稍后本教程中训练模型时可视化不同的指标。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')]
在准备好数据集后,我们现在在 strategy.scope()
内初始化和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
在模型在范围内拟合后,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]
对于跨多台机器的分布式训练(而不是仅利用单个机器上的多个设备的训练),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 CPU/GPU 多工作节点解决方案,以与 Keras 风格的模型构建和训练循环配合使用,使用跨副本的同步梯度缩减。tf.distribute.experimental.ParameterServerStrategy
实现了一个异步 CPU/GPU 多工作节点解决方案,其中参数存储在参数服务器上,工作节点异步地将梯度更新到参数服务器。