支持TorchScript的分布式优化器¶

创建日期：2021年4月26日 | 最后更新：2024年12月2日 | 最后验证：2024年11月5日

警告

TorchScript 不再处于积极开发阶段。

在本教程中，您将学习：

分布式优化器的高级概念，支持TorchScript以及此功能带来的优势
如何编写支持TorchScript的自定义分布式优化器

需求¶

PyTorch 1.8+
分布式RPC框架入门指南

什么是分布式优化器？¶

DistributedOptimizer 接受一个远程参数列表（RRef）并在参数所在的本地工作节点上运行优化器，这通常与分布式 RPC/Autograd 一起使用以进行模型并行训练。它可以使用任何本地优化算法（无论是 torch.optim 中提供的预定义算法还是自定义算法）来在每个工作节点上应用梯度。

什么是支持TorchScript的分布式优化器？¶

分布式优化器广泛用于分布式模型并行训练中，在某些常见的使用场景中，由于性能考虑和资源利用率（或至少部分多线程，即参数服务器托管部分模型和参数，每个请求由新线程更新参数），训练需要以多线程方式进行，而不是多进程。PyTorch本身并不原生支持多线程训练，因为它受到Python的全局解释器锁（GIL）的限制，但它可以利用TorchScript来摆脱GIL并以多线程方式运行模型。

对于关键模型训练工作负载，提高训练性能是一个重要课题。研究人员通常希望通过图表示（即通过操作符融合）实现不同的优化策略，或实现自定义操作符内核以加速训练。

支持TorchScript的分布式优化器可以帮助摆脱GIL，从而提高PyTorch在多线程环境中的训练性能，它还解锁了通过使用TorchScript提供的高级编译器技术（即CPU/GPU融合）来进一步提升性能的潜力。

如何使用TorchScript支持编写自定义分布式优化器？¶

下面的代码展示了如何根据现有的本地优化器实现编写自定义的分布式优化器，这解锁了TorchScript的优势，包括GIL移除和性能提升的机会。

假设你已经有一个在训练期间使用的本地优化器，在这种情况下，我们将使用quasi-hyperbolic momentum (QHM) 作为示例来展示如何启用TorchScript支持，请注意，这也适用于任何继承自torch.optim.Optimizer的自定义优化器。

首先，我们需要将计算和状态管理与优化器实现分离，这样我们就可以提取计算部分并将其作为一个自由函数，这对TorchScript友好。它有两个好处：1. 计算逻辑变得更易于检查，它允许我们快速将参数更新/计算部分转换为TorchScript，并利用TorchScript IR进行进一步的优化（操作符融合等）。2. 分布式优化器底层使用不同的机制来获取梯度和更新参数（我们在反向传播期间单独存储梯度，而不是直接填充param.grad字段）。分离计算使得分布式优化器能够在多线程模式下启用优化器更新的可能性，因为它消除了对param.grad可能的竞争条件。

import torch
from torch import Tensor
from typing import List


def qhm_update(params: List[Tensor],
            dp_list: List[Tensor],
            momentum_buffer_list: List[Tensor],
            lr: float,
            nu: float,
            weight_decay: float,
            weight_decay_type: str,
            momentum: float):

    for p, d_p, momentum_buffer in zip(params, dp_list, momentum_buffer_list):
        if weight_decay != 0:
            if weight_decay_type == "grad":
                d_p.add_(weight_decay, p)
            elif weight_decay_type == "direct":
                p.mul_(1.0 - lr * weight_decay)
            else:
                raise ValueError("Invalid weight decay type provided")

        momentum_buffer.mul_(momentum).add_(1.0 - momentum, d_p)

        p.data.add_(-lr * nu, momentum_buffer)
        p.data.add_(-lr * (1.0 - nu), d_p)

接下来，我们将定义一个具有TorchScript兼容性的分布式功能优化器，以管理优化器状态并调用我们上面定义的TorchScript兼容更新函数。请注意，一些约定与普通自定义优化器不同：1. 我们不继承torch.optim.Optimizer，因为TorchScript不支持多态性 2. step接受梯度列表而不是损失闭包。

import torch
from torch import Tensor
from typing import List, Optional, Dict

# define this as a TorchScript class
@torch.jit.script
class FunctionalQHM(object):
    def __init__(self,
                params: List[Tensor],
                lr: float,
                momentum: float,
                nu: float,
                weight_decay: float = 0.0,
                weight_decay_type: str = "grad"):
        if lr < 0.0:
            raise ValueError("Invalid learning rate: {}".format(lr))
        if momentum < 0.0:
            raise ValueError("Invalid momentum value: {}".format(momentum))
        if weight_decay < 0.0:
            raise ValueError("Invalid weight_decay value: {}".format(weight_decay))
        if weight_decay_type not in ("grad", "direct"):
            raise ValueError("Invalid weight_decay_type value: {}".format(weight_decay_type))

        self.defaults = {
            "lr": lr,
            "momentum": momentum,
            "nu": nu,
            "weight_decay": weight_decay,
        }
        self.weight_decay_type = weight_decay_type

        # NOTE: we only have one param_group here and don't allow user to add additional
        # param group as it's not a common use case.
        self.param_group = {"params": params}

        self.state = torch.jit.annotate(Dict[torch.Tensor, Dict[str, torch.Tensor]], {})

    def step(self, gradients: List[Optional[Tensor]]):
        params = self.param_group['params']
        params_with_grad = []
        grads = []
        momentum_buffer_list: List[Tensor] = []

        if len(params) != len(gradients):
            raise ValueError(
                "the gradients passed in does not equal to the size of the parameters!"
                + f"Params length: {len(params)}. "
                + f"Gradients length: {len(gradients)}"
            )

        for param, gradient in zip(self.param_group['params'], gradients):
            if gradient is not None:
                params_with_grad.append(param)
                grads.append(gradient)
                state = self.state[param]
                state['momentum_buffer'] = torch.zeros_like(param, memory_format=torch.preserve_format)
                momentum_buffer_list.append(state['momentum_buffer'])

        # calls into the update function we just defined
        with torch.no_grad():
            qhm_update(params_with_grad,
                    grads,
                    momentum_buffer_list,
                    self.defaults['lr'],
                    self.defaults['nu'],
                    self.defaults['weight_decay'],
                    self.weight_decay_type,
                    self.defaults['momentum'])

最后，我们将新定义的分布式功能优化器注册到functional_optim_map中。这样，DistributedOptimizer将尝试使用我们的自定义实现，而不是预定义的默认实现。

from torch.distributed.optim import DistributedOptimizer

DistributedOptimizer.functional_optim_map[QHM] = FunctionalQHM

现在你可以通过将QHM优化器传递给DistributedOptimizer来在分布式训练中正常使用它。

...
remote_params_list = [...]
dist_optim = DistributedOptimizer(
    QHM, remote_params_list, *args, **kwargs
)

DistributedOptimizer 会自动将 QHM 优化器转换为底层的 FunctionalQHM，并启用 TorchScript 支持。这将释放由多线程训练提升的性能，并为进一步的改进（如 TorchScript 融合等）提供更多潜力。

请注意，大多数PyTorch内置优化器已经使用这种方法来加速分布式训练。如果你看到关于某些优化器尚未转换的警告，你可以按照这个配方编写自己的转换。