随着模型规模的增大,并行计算已经成为一种在有限硬件上训练大型模型和加速训练速度的策略,可以将训练速度提高几个数量级。在 Hugging Face,我们创建了 🤗 Accelerate 库,以帮助用户在任何类型的分布式设置中轻松训练 🤗 Transformers 模型,无论是在一台机器上的多个 GPU 上还是分布在多台机器上的多个 GPU 上。在本教程中,您将学习如何自定义原生 PyTorch 训练循环,以在分布式环境中进行训练。
首先安装 🤗 Accelerate:
pip install accelerate
然后导入并创建一个 Accelerator
对象。Accelerator
将自动检测您的分布式设置类型,并初始化所有必要的训练组件。您无需显式地将模型放在设备上。
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
下一步是将所有相关的训练对象传递给 prepare
方法。这包括您的训练和评估 DataLoaders、一个模型和一个优化器:
>>> train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
... train_dataloader, eval_dataloader, model, optimizer
... )
最后的补充是将训练循环中典型的 loss.backward()
替换为 🤗 Accelerate 的 backward
方法:
>>> for epoch in range(num_epochs):
... for batch in train_dataloader:
... outputs = model(**batch)
... loss = outputs.loss
... accelerator.backward(loss)
... optimizer.step()
... lr_scheduler.step()
... optimizer.zero_grad()
... progress_bar.update(1)
正如下面的代码中所示,您只需要在训练循环中添加四行额外的代码就可以启用分布式训练!
+ from accelerate import Accelerator
from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler
+ accelerator = Accelerator()
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
optimizer = AdamW(model.parameters(), lr=3e-5)
- device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
- model.to(device)
+ train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
+ train_dataloader, eval_dataloader, model, optimizer
+ )
num_epochs = 3
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
"linear",
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=num_training_steps
)
progress_bar = tqdm(range(num_training_steps))
model.train()
for epoch in range(num_epochs):
for batch in train_dataloader:
- batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
- loss.backward()
+ accelerator.backward(loss)
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
progress_bar.update(1)
在添加了相关的代码行之后,您可以在脚本或笔记本(如 Colaboratory)中启动训练。
如果你从脚本中运行训练,请运行以下命令创建并保存一个配置文件:
accelerate config
然后使用以下命令启动训练:
accelerate launch train.py
如果您计划使用 Colaboratory 的 TPU,🤗 Accelerate 也可以在笔记本中运行。将负责训练的所有代码包装在一个函数中,并将其传递给 notebook_launcher
:
>>> from accelerate import notebook_launcher
>>> notebook_launcher(training_function)
有关 🤗 Accelerate 及其丰富功能的更多信息,请参阅 文档 。