使用 KerasNLP 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 2023/07/07
描述： 使用 KerasNLP 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。KerasNLP 是一个库，它提供了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 KerasNLP 在 wikitext-2 数据集（包含 200 万个维基百科文章单词的数据集）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，尤其是同步数据并行性，其中每个加速器（GPU 或 TPU）都持有模型的完整副本，并看到输入数据的不同部分批次。部分梯度在每个设备上计算，聚合，并用于计算全局梯度更新。
具体来说，本指南将教您如何使用 tf.distribute API 在多台 GPU 上训练 Keras 模型，并对代码进行最少的更改，在以下两种设置中进行。
- 在安装在单台机器上的多台 GPU 上（单主机，多设备训练）。这是研究人员和小型行业工作流程中最常见的设置。
- 在包含多个机器的集群上，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来说，这是一个很好的设置，例如，在 20-100 个 GPU 上训练包含数十亿个单词的数据集上的高分辨率文本摘要模型。
!pip install -q --upgrade keras-nlp
!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_nlp
在我们开始任何训练之前，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个物理 GPU 进行训练时，这完全没有必要。这只是一个技巧，可以在默认的 colab GPU 运行时上显示真正的分布式训练，该运行时只有一个 GPU 可用。
!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，该策略将使用所有可用的 GPU）。 - 使用策略对象打开一个范围，并在该范围内创建所有包含变量的 Keras 对象。通常，这意味着在分布范围 **内创建和编译模型**。
- 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。我们将筛选掉短行，以确保数据具有足够的上下文用于训练。
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，我们下载了 wikitext-2 数据集并将其解压缩。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删除短行，并且被批处理以进行高效训练。
在 NLP 训练/调整中使用衰减学习率是一种常见做法。我们将在此处使用 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()}"
)
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不同的指标，同时训练模型。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_nlp.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，我们可以正常评估它！
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的训练相反），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 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，使用跨副本的同步梯度减少。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，工作器异步地将梯度更新到参数服务器。