全分片数据并行（FSDP）入门¶

创建时间： 2022 年 3 月 17 日 |上次更新时间：2024 年 7 月 30 日 |上次验证： Nov 05， 2024

作者： Hamid Shojanazeri， Yanli Zhao， Shen Li

注意

在 github 中查看和编辑本教程。

大规模训练 AI 模型是一项具有挑战性的任务，需要大量的计算能力和资源。处理这些超大型模型的训练还带来了相当大的工程复杂性。PyTorch 1.11 中发布的 PyTorch FSDP 使此操作变得更容易。

在本教程中，我们将展示如何使用 FSDP API，对于简单的 MNIST 模型，这些模型可以扩展到其他更大的模型，例如 HuggingFace BERT 模型、GPT 3 模型，最高可达 1T 参数。示例 DDP MNIST 代码已从此处借用。

FSDP 的工作原理¶

在 DistributedDataParallel （DDP）训练中，每个进程/工作进程都拥有模型的副本并处理一批数据，最后它使用 all-reduce 来汇总不同工作进程的梯度。在 DDP 中，模型权重和优化器状态在所有工作程序之间复制。FSDP 是一种数据并行性，可在 DDP 等级之间对模型参数、优化器状态和梯度进行分片。

使用 FSDP 进行训练时， GPU 内存占用量小于在所有工作线程中使用 DDP 进行训练时。这使得一些非常大的模型的训练成为可能，因为它允许更大的模型或批量大小适合设备。这伴随着通信量增加的成本。通信开销通过内部优化（如重叠通信和计算）来减少。

FSDP 工作流程¶

概括地说，FSDP 的工作原理如下：

在构造函数中

分片模型参数和每个排名仅保留自己的分片

在正向路径中

运行 all_gather 以收集所有排名中的所有分片，以恢复此 FSDP 单元中的完整参数
前向运行计算
丢弃刚刚收集的参数分片

在反向路径中

运行 all_gather 以收集所有排名中的所有分片，以恢复此 FSDP 单元中的完整参数
运行反向计算
运行 reduce_scatter 以同步渐变
丢弃参数。

查看 FSDP 分片的一种方法是将 DDP 梯度 all-reduce 分解为 reduce-scatter 和 all-gather。具体来说，在向后传递期间，FSDP 会减少和分散梯度，确保每个等级都拥有梯度的分片。然后，它会更新 optimizer 步骤中参数的相应分片。最后，在随后的正向传递中，它执行 all-gather 操作来收集和组合更新的参数分片。

FSDP Allreduce¶

如何使用 FSDP¶

在这里，我们使用玩具模型在 MNIST 数据集上运行训练以进行演示。API 和逻辑也可以应用于训练更大的模型。

设置

1.1 将 PyTorch 与 Torchvision 一起安装

有关安装的信息，请参阅入门指南。

我们将以下代码片段添加到 python 脚本 “FSDP_mnist.py” 中。

1.2 导入必要的软件包

注意

本教程适用于 PyTorch 版本 1.12 及更高版本。如果您使用的是早期版本，请将 size_based_auto_wrap_policy 的所有实例替换为 default_auto_wrap_policy，将 fsdp_auto_wrap_policy 替换为 auto_wrap_policy。

# Based on: https://github.com/pytorch/examples/blob/master/mnist/main.py
import os
import argparse
import functools
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms


from torch.optim.lr_scheduler import StepLR

import torch.distributed as dist
import torch.multiprocessing as mp
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.data.distributed import DistributedSampler
from torch.distributed.fsdp import FullyShardedDataParallel as FSDP
from torch.distributed.fsdp.fully_sharded_data_parallel import (
    CPUOffload,
    BackwardPrefetch,
)
from torch.distributed.fsdp.wrap import (
    size_based_auto_wrap_policy,
    enable_wrap,
    wrap,
)

1.3 分布式训练设置。正如我们所说，FSDP 是一种数据并行，需要分布式训练环境，所以这里我们使用两个辅助函数来初始化分布式训练和清理的进程。

def setup(rank, world_size):
    os.environ['MASTER_ADDR'] = 'localhost'
    os.environ['MASTER_PORT'] = '12355'

    # initialize the process group
    dist.init_process_group("nccl", rank=rank, world_size=world_size)

def cleanup():
    dist.destroy_process_group()

2.1 定义我们的玩具模型以进行手写数字分类。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):

        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

2.2 定义 train 函数

def train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=None):
    model.train()
    ddp_loss = torch.zeros(2).to(rank)
    if sampler:
        sampler.set_epoch(epoch)
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(rank), target.to(rank)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target, reduction='sum')
        loss.backward()
        optimizer.step()
        ddp_loss[0] += loss.item()
        ddp_loss[1] += len(data)

    dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)
    if rank == 0:
        print('Train Epoch: {} \tLoss: {:.6f}'.format(epoch, ddp_loss[0] / ddp_loss[1]))

2.3 定义验证函数

def test(model, rank, world_size, test_loader):
    model.eval()
    correct = 0
    ddp_loss = torch.zeros(3).to(rank)
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(rank), target.to(rank)
            output = model(data)
            ddp_loss[0] += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss
            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability
            ddp_loss[1] += pred.eq(target.view_as(pred)).sum().item()
            ddp_loss[2] += len(data)

    dist.all_reduce(ddp_loss, op=dist.ReduceOp.SUM)

    if rank == 0:
        test_loss = ddp_loss[0] / ddp_loss[2]
        print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)\n'.format(
            test_loss, int(ddp_loss[1]), int(ddp_loss[2]),
            100. * ddp_loss[1] / ddp_loss[2]))

2.4 定义一个分布式训练函数，将模型包装在 FSDP 中

注意：要保存 FSDP 模型，我们需要在每个等级上调用 state_dict，然后在 Rank 0 上保存整体状态。

def fsdp_main(rank, world_size, args):
    setup(rank, world_size)

    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])

    dataset1 = datasets.MNIST('../data', train=True, download=True,
                        transform=transform)
    dataset2 = datasets.MNIST('../data', train=False,
                        transform=transform)

    sampler1 = DistributedSampler(dataset1, rank=rank, num_replicas=world_size, shuffle=True)
    sampler2 = DistributedSampler(dataset2, rank=rank, num_replicas=world_size)

    train_kwargs = {'batch_size': args.batch_size, 'sampler': sampler1}
    test_kwargs = {'batch_size': args.test_batch_size, 'sampler': sampler2}
    cuda_kwargs = {'num_workers': 2,
                    'pin_memory': True,
                    'shuffle': False}
    train_kwargs.update(cuda_kwargs)
    test_kwargs.update(cuda_kwargs)

    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
    my_auto_wrap_policy = functools.partial(
        size_based_auto_wrap_policy, min_num_params=100
    )
    torch.cuda.set_device(rank)


    init_start_event = torch.cuda.Event(enable_timing=True)
    init_end_event = torch.cuda.Event(enable_timing=True)

    model = Net().to(rank)

    model = FSDP(model)

    optimizer = optim.Adadelta(model.parameters(), lr=args.lr)

    scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
    init_start_event.record()
    for epoch in range(1, args.epochs + 1):
        train(args, model, rank, world_size, train_loader, optimizer, epoch, sampler=sampler1)
        test(model, rank, world_size, test_loader)
        scheduler.step()

    init_end_event.record()

    if rank == 0:
        print(f"CUDA event elapsed time: {init_start_event.elapsed_time(init_end_event) / 1000}sec")
        print(f"{model}")

    if args.save_model:
        # use a barrier to make sure training is done on all ranks
        dist.barrier()
        states = model.state_dict()
        if rank == 0:
            torch.save(states, "mnist_cnn.pt")

    cleanup()

2.5 最后，解析参数并设置 main 函数

if __name__ == '__main__':
    # Training settings
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=10, metavar='N',
                        help='number of epochs to train (default: 14)')
    parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
                        help='learning rate (default: 1.0)')
    parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
                        help='Learning rate step gamma (default: 0.7)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()

    torch.manual_seed(args.seed)

    WORLD_SIZE = torch.cuda.device_count()
    mp.spawn(fsdp_main,
        args=(WORLD_SIZE, args),
        nprocs=WORLD_SIZE,
        join=True)

我们已经记录了 cuda 事件来测量 FSDP 模型细节的时间。CUDA 事件时间为 110.85 秒。

python FSDP_mnist.py

CUDA event elapsed time on training loop 40.67462890625sec

用 FSDP 包装模型，模型看起来如下，我们可以看到模型已经被包装在一个 FSDP 单元中。或者，我们接下来将考虑添加 auto_wrap_policy 并讨论差异。

   FullyShardedDataParallel(
   (_fsdp_wrapped_module): FlattenParamsWrapper(
       (_fpw_module): Net(
       (conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
       (conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
       (dropout1): Dropout(p=0.25, inplace=False)
       (dropout2): Dropout(p=0.5, inplace=False)
       (fc1): Linear(in_features=9216, out_features=128, bias=True)
       (fc2): Linear(in_features=128, out_features=10, bias=True)
       )
   )
)

以下是从 PyTorch Profiler 捕获的 4 个 GPU 在 g4dn.12.xlarge AWS EC2 实例上进行 FSDP MNIST 训练的峰值内存使用量。

FSDP 峰值内存使用率¶

否则，在 FSDP 中应用 auto_wrap_policy，FSDP 会将整个模型放在一个 FSDP 单元中，这将降低计算效率和内存效率。它的工作原理是，假设您的模型包含 100 个 Linear 层。如果你执行 FSDP（model），将只有一个 FSDP 单元来包装整个模型。在这种情况下， allgather 将收集所有 100 个线性层的完整参数，因此不会节省 CUDA 内存用于参数分片。此外，所有 100 个线性层只有一个阻塞 allgather 调用，层之间不会有通信和计算重叠。

为避免这种情况，您可以传入一个 auto_wrap_policy，它将密封当前的 FSDP 单元，并在满足指定条件（例如，大小限制）时自动启动一个新的 FSDP 单元。这样，您将拥有多个 FSDP 单元，并且一次只需要一个 FSDP 单元收集完整参数。例如，假设您有 5 个 FSDP 单元，每个单元包裹 20 个线性层。然后，在前进中，第 1 个 FSDP 单元将收集前 20 个线性层的参数，进行计算，丢弃参数，然后继续到接下来的 20 个线性层。因此，在任何时间点，每个 rank 都只实现 20 个线性层的参数/grads，而不是 100 个。

为此，在 2.4 中，我们定义了 auto_wrap_policy 并将其传递给 FSDP 包装器，在下面的示例中，my_auto_wrap_policy定义了如果该层中的参数数量大于 100，则 FSDP 可以包装或分片该层。如果该层中的参数数量小于 100，则 FSDP 会与其他小层一起包裹。找到最佳的自动包装策略具有挑战性，PyTorch 将来会为此配置添加自动调整。如果没有 auto tuning 工具，最好使用不同的 auto wrap 策略来实验性地分析您的工作流程并找到最佳策略。

my_auto_wrap_policy = functools.partial(
        size_based_auto_wrap_policy, min_num_params=20000
    )
torch.cuda.set_device(rank)
model = Net().to(rank)

model = FSDP(model,
    auto_wrap_policy=my_auto_wrap_policy)

应用auto_wrap_policy，模型将如下所示：

  FullyShardedDataParallel(
(_fsdp_wrapped_module): FlattenParamsWrapper(
  (_fpw_module): Net(
    (conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1))
    (conv2): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1))
    (dropout1): Dropout(p=0.25, inplace=False)
    (dropout2): Dropout(p=0.5, inplace=False)
    (fc1): FullyShardedDataParallel(
      (_fsdp_wrapped_module): FlattenParamsWrapper(
        (_fpw_module): Linear(in_features=9216, out_features=128, bias=True)
      )
    )
    (fc2): Linear(in_features=128, out_features=10, bias=True)
  )
)

python FSDP_mnist.py

CUDA event elapsed time on training loop 41.89130859375sec

以下是 FSDP 在具有 4 个 GPU 的 g4dn.12.xlarge AWS EC2 实例上采用 MNIST 训练策略的峰值内存使用量auto_wrap从 PyTorch Profiler 捕获。可以观察到，与未应用自动包装策略的 FSDP 相比，每台设备上的峰值内存使用量较小，从 ~75 MB 到 66 MB。

使用 Auto_wrap 策略的 FSDP 峰值内存使用情况¶

CPU 卸载：如果模型非常大，即使使用 FSDP 也不适合 GPU，那么 CPU 卸载在这里可能会有所帮助。

目前，仅支持参数和梯度 CPU 卸载。可以通过传入 cpu_offload=CPUOffload（offload_params=True）来启用它。

请注意，这目前隐式地启用了梯度卸载到 CPU，以便 params 和 grads 位于同一设备上以使用优化器。此 API 可能会发生更改。默认值为 None ，在这种情况下，不会进行卸载。

由于频繁地将张量从主机复制到设备，使用此功能可能会大大减慢训练速度，但它有助于提高内存效率并训练更大规模的模型。

在 2.4 中，我们只需将其添加到 FSDP 包装器中

model = FSDP(model,
    auto_wrap_policy=my_auto_wrap_policy,
    cpu_offload=CPUOffload(offload_params=True))

将其与 DDP 进行比较，如果在 2.4 中我们通常只是将模型包装在 DPP 中，将更改保存在 “DDP_mnist.py” 中。

model = Net().to(rank)
model = DDP(model)

python DDP_mnist.py

CUDA event elapsed time on training loop 39.77766015625sec

以下是从 PyTorch 分析器捕获的 4 个 GPU 在 g4dn.12.xlarge AWS EC2 实例上进行 DDP MNIST 训练的峰值内存使用量。

使用 Auto_wrap 策略的 DDP 峰值内存使用情况¶

考虑到我们在这里定义的玩具示例和微小的 MNIST 模型，我们可以观察到 DDP 和 FSDP 的峰值内存使用之间的差异。在 DDP 中，每个进程都保存模型的一个副本，因此与 FSDP 相比，内存占用更高，FSDP 在 DDP 等级上对模型参数、优化器状态和梯度进行分片。使用带有 auto_wrap 策略的 FSDP 的峰值内存使用量最低，其次是 FSDP 和 DDP。

此外，从时间上看，考虑到小模型并在单台机器上运行训练，有和没有 auto_wrap 策略的 FSDP 的性能几乎与 DDP 一样快。此示例并不代表大多数实际应用，有关 DDP 和 FSDP 之间的详细分析和比较，请参阅此博客文章。

全分片数据并行 （FSDP） 入门¶

FSDP 的工作原理¶

如何使用 FSDP¶

文档

教程

资源

全分片数据并行（FSDP）入门¶