AI Studio 飞桨 零基础入门深度学习笔记6.7-手写数字识别之资源配置

• 概述
• 前提条件

• 模型并行
• 数据并行
• PRC通信方式
• NCCL2通信方式（Collective）

概述

从前几节的训练看，无论是房价预测任务还是MNIST手写字数字识别任务，训练好一个模型不会超过十分钟，主要原因是我们所使用的神经网络比较简单。但实际应用时，常会遇到更加复杂的机器学习或深度学习任务，需要运算速度更高的硬件（如GPU、NPU），甚至同时使用多个机器共同训练一个任务（多卡训练和多机训练）。本节我们依旧横向展开\”横纵式\”教学方法，如 图1 所示，探讨在手写数字识别任务中，通过资源配置的优化，提升模型训练效率的方法。

图1：“横纵式”教学法 — 资源配置

前提条件

在优化算法之前，需要进行数据处理、设计神经网络结构，代码与上一节保持一致，如下所示。如果读者已经掌握了这部分内容，可以直接阅读正文部分。

# 加载相关库import osimport randomimport paddleimport paddle.fluid as fluidfrom paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linearimport numpy as npfrom PIL import Imageimport gzipimport json# 定义数据集读取器def load_data(mode=\'train\'):# 读取数据文件datafile = \'./work/mnist.json.gz\'print(\'loading mnist dataset from {} ......\'.format(datafile))data = json.load(gzip.open(datafile))# 读取数据集中的训练集，验证集和测试集train_set, val_set, eval_set = data# 数据集相关参数，图片高度IMG_ROWS, 图片宽度IMG_COLSIMG_ROWS = 28IMG_COLS = 28# 根据输入mode参数决定使用训练集，验证集还是测试if mode == \'train\':imgs = train_set[0]labels = train_set[1]elif mode == \'valid\':imgs = val_set[0]labels = val_set[1]elif mode == \'eval\':imgs = eval_set[0]labels = eval_set[1]# 获得所有图像的数量imgs_length = len(imgs)# 验证图像数量和标签数量是否一致assert len(imgs) == len(labels), \\\"length of train_imgs({}) should be the same as train_labels({})\".format(len(imgs), len(labels))index_list = list(range(imgs_length))# 读入数据时用到的batchsizeBATCHSIZE = 100# 定义数据生成器def data_generator():# 训练模式下，打乱训练数据if mode == \'train\':random.shuffle(index_list)imgs_list = []labels_list = []# 按照索引读取数据for i in index_list:# 读取图像和标签，转换其尺寸和类型img = np.reshape(imgs[i], [1, IMG_ROWS, IMG_COLS]).astype(\'float32\')label = np.reshape(labels[i], [1]).astype(\'int64\')imgs_list.append(img)labels_list.append(label)# 如果当前数据缓存达到了batch size，就返回一个批次数据if len(imgs_list) == BATCHSIZE:yield np.array(imgs_list), np.array(labels_list)# 清空数据缓存列表imgs_list = []labels_list = []# 如果剩余数据的数目小于BATCHSIZE，# 则剩余数据一起构成一个大小为len(imgs_list)的mini-batchif len(imgs_list) > 0:yield np.array(imgs_list), np.array(labels_list)return data_generator# 定义模型结构class MNIST(fluid.dygraph.Layer):def __init__(self):super(MNIST, self).__init__()# 定义一个卷积层，使用relu激活函数self.conv1 = Conv2D(num_channels=1, num_filters=20, filter_size=5, stride=1, padding=2, act=\'relu\')# 定义一个池化层，池化核为2，步长为2，使用最大池化方式self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type=\'max\')# 定义一个卷积层，使用relu激活函数self.conv2 = Conv2D(num_channels=20, num_filters=20, filter_size=5, stride=1, padding=2, act=\'relu\')# 定义一个池化层，池化核为2，步长为2，使用最大池化方式self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type=\'max\')# 定义一个全连接层，输出节点数为10self.fc = Linear(input_dim=980, output_dim=10, act=\'softmax\')# 定义网络的前向计算过程def forward(self, inputs):x = self.conv1(inputs)x = self.pool1(x)x = self.conv2(x)x = self.pool2(x)x = fluid.layers.reshape(x, [x.shape[0], 980])x = self.fc(x)return x

单GPU训练

飞桨动态图通过fluid.dygraph.guard(place=None)里的

place

参数，设置在GPU上训练还是CPU上训练。

with fluid.dygraph.guard(place=fluid.CPUPlace())　#设置使用CPU资源训神经网络。with fluid.dygraph.guard(place=fluid.CUDAPlace(0))　#设置使用GPU资源训神经网络，默认使用服务器的第一个GPU卡。\"0\"是GPU卡的编号，比如一台服务器有的四个GPU卡，编号分别为０、１、２、３。

#仅前3行代码有所变化，在使用GPU时，可以将use_gpu变量设置成Trueuse_gpu = Falseplace = fluid.CUDAPlace(0) if use_gpu else fluid.CPUPlace()with fluid.dygraph.guard(place):model = MNIST()model.train()#调用加载数据的函数train_loader = load_data(\'train\')#四种优化算法的设置方案，可以逐一尝试效果optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.01, parameter_list=model.parameters())#optimizer = fluid.optimizer.MomentumOptimizer(learning_rate=0.01, momentum=0.9, parameter_list=model.parameters())#optimizer = fluid.optimizer.AdagradOptimizer(learning_rate=0.01, parameter_list=model.parameters())#optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.01, parameter_list=model.parameters())EPOCH_NUM = 2for epoch_id in range(EPOCH_NUM):for batch_id, data in enumerate(train_loader()):#准备数据，变得更加简洁image_data, label_data = dataimage = fluid.dygraph.to_variable(image_data)label = fluid.dygraph.to_variable(label_data)#前向计算的过程predict = model(image)#计算损失，取一个批次样本损失的平均值loss = fluid.layers.cross_entropy(predict, label)avg_loss = fluid.layers.mean(loss)#每训练了200批次的数据，打印下当前Loss的情况if batch_id % 200 == 0:print(\"epoch: {}, batch: {}, loss is: {}\".format(epoch_id, batch_id, avg_loss.numpy()))#后向传播，更新参数的过程avg_loss.backward()optimizer.minimize(avg_loss)model.clear_gradients()#保存模型参数fluid.save_dygraph(model.state_dict(), \'mnist\')

loading mnist dataset from ./work/mnist.json.gz ......epoch: 0, batch: 0, loss is: [2.6497052]epoch: 0, batch: 200, loss is: [0.4702282]epoch: 0, batch: 400, loss is: [0.4159669]epoch: 1, batch: 0, loss is: [0.15138629]epoch: 1, batch: 200, loss is: [0.24823019]epoch: 1, batch: 400, loss is: [0.27876496]

分布式训练

在工业实践中，很多较复杂的任务需要使用更强大的模型。强大模型加上海量的训练数据，经常导致模型训练耗时严重。比如在计算机视觉分类任务中，训练一个在ImageNet数据集上精度表现良好的模型，大概需要一周的时间，因为过程中我们需要不断尝试各种优化的思路和方案。如果每次训练均要耗时1周，这会大大降低模型迭代的速度。在机器资源充沛的情况下，建议采用分布式训练，大部分模型的训练时间可压缩到小时级别。

分布式训练有两种实现模式：模型并行和数据并行。

模型并行

模型并行是将一个网络模型拆分为多份，拆分后的模型分到多个设备上（GPU）训练，每个设备的训练数据是相同的。模型并行的实现模式可以节省内存，但是应用较为受限。

模型并行的方式一般适用于如下两个场景：

1. 模型架构过大： 完整的模型无法放入单个GPU。如2012年ImageNet大赛的冠军模型AlexNet是模型并行的典型案例，由于当时GPU内存较小，单个GPU不足以承担AlexNet，因此研究者将AlexNet拆分为两部分放到两个GPU上并行训练。

2. 网络模型的结构设计相对独立： 当网络模型的设计结构可以并行化时，采用模型并行的方式。如在计算机视觉目标检测任务中，一些模型（如YOLO9000）的边界框回归和类别预测是独立的，可以将独立的部分放到不同的设备节点上完成分布式训练。

数据并行

数据并行与模型并行不同，数据并行每次读取多份数据，读取到的数据输入给多个设备（GPU）上的模型，每个设备上的模型是完全相同的，飞桨采用的就是这种方式。

说明：

当前GPU硬件技术快速发展，深度学习使用的主流GPU的内存已经足以满足大多数的网络模型需求，所以大多数情况下使用数据并行的方式。

数据并行的方式与众人拾柴火焰高的道理类似，如果把训练数据比喻为砖头，把一个设备（GPU）比喻为一个人，那单GPU训练就是一个人在搬砖，多GPU训练就是多个人同时搬砖，每次搬砖的数量倍数增加，效率呈倍数提升。值得注意的是，每个设备的模型是完全相同的，但是输入数据不同，因此每个设备的模型计算出的梯度是不同的。如果每个设备的梯度只更新当前设备的模型，就会导致下次训练时，每个模型的参数都不相同。因此我们还需要一个梯度同步机制，保证每个设备的梯度是完全相同的。

梯度同步有两种方式：PRC通信方式和NCCL2通信方式（Nvidia Collective multi-GPU Communication Library）。

PRC通信方式

PRC通信方式通常用于CPU分布式训练，它有两个节点：参数服务器Parameter server和训练节点Trainer，结构如 图2 所示。

图2：Pserver通信方式的结构

parameter server收集来自每个设备的梯度更新信息，并计算出一个全局的梯度更新。Trainer用于训练，每个Trainer上的程序相同，但数据不同。当Parameter server收到来自Trainer的梯度更新请求时，统一更新模型的梯度。

NCCL2通信方式（Collective）

当前飞桨的GPU分布式训练使用的是基于NCCL2的通信方式，结构如 图3 所示。

图3：NCCL2通信方式的结构

相比PRC通信方式，使用NCCL2（Collective通信方式）进行分布式训练，不需要启动Parameter server进程，每个Trainer进程保存一份完整的模型参数，在完成梯度计算之后通过Trainer之间的相互通信，Reduce梯度数据到所有节点的所有设备，然后每个节点再各自完成参数更新。

飞桨提供了便利的数据并行训练方式，用户只需要对程序进行简单修改，即可实现在多GPU上并行训练。接下来讲述如何将一个单机程序通过简单的改造，变成多机多卡程序。

说明：

AI Studio当前仅支持单卡GPU，因此本案例需要在本地GPU上执行，无法在AI Studio上演示。

在启动训练前，需要配置如下参数：

• 从环境变量获取设备的ID，并指定给CUDAPlace。

device_id = fluid.dygraph.parallel.Env().dev_idplace = fluid.CUDAPlace(device_id)

• 对定义的网络做预处理，设置为并行模式。

strategy = fluid.dygraph.parallel.prepare_context() ## 新增model = MNIST()model = fluid.dygraph.parallel.DataParallel(model, strategy)  ## 新增

• 定义多GPU训练的reader，不同ID的GPU加载不同的数据集。

valid_loader = paddle.batch(paddle.dataset.mnist.test(), batch_size=16, drop_last=true)valid_loader = fluid.contrib.reader.distributed_batch_reader(valid_loader)

• 收集每批次训练数据的loss，并聚合参数的梯度。

avg_loss = model.scale_loss(avg_loss)  ## 新增avg_loss.backward()mnist.apply_collective_grads()         ## 新增

完整程序如下所示。

def train_multi_gpu():##修改1-从环境变量获取使用GPU的序号place = fluid.CUDAPlace(fluid.dygraph.parallel.Env().dev_id)with fluid.dygraph.guard(place):##修改2-对原模型做并行化预处理strategy = fluid.dygraph.parallel.prepare_context()model = MNIST()model = fluid.dygraph.parallel.DataParallel(model, strategy)model.train()#调用加载数据的函数train_loader = load_data(\'train\')##修改3-多GPU数据读取，必须确保每个进程读取的数据是不同的train_loader = fluid.contrib.reader.distributed_batch_reader(train_loader)optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.01, parameter_list=model.parameters())EPOCH_NUM = 5for epoch_id in range(EPOCH_NUM):for batch_id, data in enumerate(train_loader()):#准备数据image_data, label_data = dataimage = fluid.dygraph.to_variable(image_data)label = fluid.dygraph.to_variable(label_data)predict = model(image)loss = fluid.layers.cross_entropy(predict, label)avg_loss = fluid.layers.mean(loss)# 修改4-多GPU训练需要对Loss做出调整，并聚合不同设备上的参数梯度avg_loss = model.scale_loss(avg_loss)avg_loss.backward()model.apply_collective_grads()# 最小化损失函数，清除本次训练的梯度optimizer.minimize(avg_loss)model.clear_gradients()if batch_id % 200 == 0:print(\"epoch: {}, batch: {}, loss is: {}\".format(epoch_id, batch_id, avg_loss.numpy()))#保存模型参数fluid.save_dygraph(model.state_dict(), \'mnist\')

!python -m paddle.distributed.launch --selected_gpus=0 --log_dir ./mylog train_multi_gpu.py

-----------  Configuration Arguments -----------cluster_node_ips: 127.0.0.1log_dir: ./myloglog_level: 20node_ip: 127.0.0.1print_config: Trueselected_gpus: 0started_port: Nonetraining_script: train_multi_gpu.pytraining_script_args: []use_paddlecloud: False------------------------------------------------INFO 2020-08-19 09:29:42,760 launch.py:210] get cluster from args:job_server:None pods:[\'rank:0 id:None addr:127.0.0.1 port:None visible_gpu:[] trainers:[\"gpu:[\\\'0\\\'] endpoint:127.0.0.1:60419 rank:0\"]\'] job_stage_flag:None hdfs:NoneINFO 2020-08-19 09:29:42,760 utils.py:367] start trainer proc:[\'D:\\\\Program Files\\\\Anaconda3\\\\envs\\\\paddle\\\\python.exe\', \'-u\', \'train_multi_gpu.py\'] env:{\'FLAGS_selected_gpus\': \'0\', \'PADDLE_TRAINER_ID\': \'0\', \'PADDLE_CURRENT_ENDPOINT\': \'127.0.0.1:60419\', \'PADDLE_TRAINERS_NUM\': \'1\', \'PADDLE_TRAINER_ENDPOINTS\': \'127.0.0.1:60419\'}命令语法不正确。INFO 2020-08-19 09:29:45,789 launch.py:223] Local procs complete, POD info:rank:0 id:None addr:127.0.0.1 port:None visible_gpu:[] trainers:[\"gpu:[\'0\'] endpoint:127.0.0.1:60419 rank:0\"]

启动多GPU的训练，还需要在命令行中设置一些参数变量。打开终端，运行如下命令：

$ python -m paddle.distributed.launch --selected_gpus=0,1,2,3 --log_dir ./mylog train_multi_gpu.py

• paddle.distributed.launch：启动分布式运行。
• selected_gpus：设置使用的GPU的序号（需要是多GPU卡的机器，通过命令watch nvidia-smi查看GPU的序号）。
• log_dir：存放训练的log，若不设置，每个GPU上的训练信息都会打印到屏幕。
• train_multi_gpu.py：多GPU训练的程序，包含修改过的train_multi_gpu()函数。

训练完成后，在指定的./mylog文件夹下会产生四个日志文件，其中worklog.0的内容如下：

grep: warning: GREP_OPTIONS is deprecated; please use an alias or scriptdev_id 0I1104 06:25:04.377323 31961 nccl_context.cc:88] worker: 127.0.0.1:6171 is not ready, will retry after 3 seconds...I1104 06:25:07.377645 31961 nccl_context.cc:127] init nccl context nranks: 3 local rank: 0 gpu id: 1↩W1104 06:25:09.097079 31961 device_context.cc:235] Please NOTE: device: 1, CUDA Capability: 61, Driver API Version: 10.1, Runtime API Version: 9.0W1104 06:25:09.104460 31961 device_context.cc:243] device: 1, cuDNN Version: 7.5.start data reader (trainers_num: 3, trainer_id: 0)epoch: 0, batch_id: 10, loss is: [0.47507238]epoch: 0, batch_id: 20, loss is: [0.25089613]epoch: 0, batch_id: 30, loss is: [0.13120805]epoch: 0, batch_id: 40, loss is: [0.12122715]epoch: 0, batch_id: 50, loss is: [0.07328521]epoch: 0, batch_id: 60, loss is: [0.11860339]epoch: 0, batch_id: 70, loss is: [0.08205047]epoch: 0, batch_id: 80, loss is: [0.08192863]epoch: 0, batch_id: 90, loss is: [0.0736289]epoch: 0, batch_id: 100, loss is: [0.08607423]start data reader (trainers_num: 3, trainer_id: 0)epoch: 1, batch_id: 10, loss is: [0.07032011]epoch: 1, batch_id: 20, loss is: [0.09687119]epoch: 1, batch_id: 30, loss is: [0.0307216]epoch: 1, batch_id: 40, loss is: [0.03884467]epoch: 1, batch_id: 50, loss is: [0.02801813]epoch: 1, batch_id: 60, loss is: [0.05751991]epoch: 1, batch_id: 70, loss is: [0.03721186].....

这里都是例程里的。采用本地电脑运行GPU训练，需要安装CUDA。