Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
FP16-Training mit Modellparallelität
Nehmen Sie für das FP16-Training die folgenden Änderungen an Ihrem Trainingsskript und Ihrem Schätzer vor.
Anmerkung
Diese Funktion ist PyTorch in der SageMaker Modellparallelismus-Bibliothek v1.10.0 und höher verfügbar.
Passen Sie Ihr Trainingsskript an PyTorch
-
Umschließen Sie Ihr Modell mit dem Kontextmanager smdistributed.modelparallel.torch.model_creation()
. # fp16_training_script.py import torch import smdistributed.modelparallel.torch as smp with smp.model_creation( dtype=torch.float16 if args.fp16 else torch.get_default_dtype() ): model = ...
Tipp
Wenn Sie Tensor-Parallelität verwenden, fügen Sie
tensor_parallelism=smp.tp_size() > 1
zumsmp.model_creation
Kontextmanager hinzu. Mit Hilfe dieser zusätzlichen Zeile kann auch automatisch erkannt werden, ob die Tensor-Parallelität aktiviert ist oder nicht.with smp.model_creation( ... , tensor_parallelism=smp.tp_size() > 1 ): model = ...
-
Wenn Sie den Optimierer mit
smdistributed.modelparallel.torch.DistributedOptimizer
umschließen, setzen Sie entweder das Argumentstatic_loss_scaling
oderdynamic_loss_scaling
.static_loss_scaling
Ist standardmäßig auf1.0
gesetzt unddynamic_loss_scaling
ist aufFalse
gesetzt. Wenn Siedynamic_loss_scale=True
einstellen, können Sie dynamische Verlustskalierungsoptionen als Wörterbuch über das Argumentdynamic_loss_args
einspeisen. In den meisten Fällen empfehlen wir die dynamische Verlustskalierung mit den Standardoptionen zu verwenden. Weitere Informationen, Optionen und Beispiele für die Optimizer-Wrapper-Funktion finden Sie unter smdistributed.modelparallel.torch. DistributedOptimizerAPI. Der folgende Code ist ein Beispiel für das Umschließen eines
Adadelta
Optimizer-Objekts mit dynamischer Verlustskalierung für das FP16-Training.optimizer = torch.optim.Adadelta(...) optimizer = smp.DistributedOptimizer( optimizer, static_loss_scale=
None
, dynamic_loss_scale=True
, dynamic_loss_args={ "scale_window":1000
, "min_scale":1
, "delayed_shift":2
} )
Konfigurieren Sie einen SageMaker PyTorch Schätzer
Fügen Sie der Verteilungskonfiguration den FP16-Parameter ("fp16"
) für Modellparallelität hinzu, wenn Sie ein Schätzerobjekt erstellen. SageMaker PyTorch Eine vollständige Liste der Konfigurationsparameter für Modellparallelität finden Sie unter Parameter für smdistributed
from sagemaker.pytorch import PyTorch smp_options = { "enabled": True, "parameters": { "microbatches":
4
, "pipeline_parallel_degree":2
, "tensor_parallel_degree":2
, ..., "fp16":True
} } fp16_estimator = PyTorch( entry_point="fp16_training_script.py
", # Specify your train script ..., distribution={ "smdistributed": {"modelparallel": smp_options}, "mpi": {...} } ) fp16_estimator.fit(...)
Wenn das FP16-Training beginnt, werden Modell und Optimizer von FP16_Module
und bzw. FP16_Optimizer
umschlossen. Dabei handelt es sich um modifizierte smdistributed
Versionen der Apex-HilfsprogrammeFP16_Module
konvertiert das Modell in FP16 dtype und kümmert sich um den Vorwärtsdurchgang in FP16.
Tipp
Sie können die Steigungen beschneiden, indem Sie clip_master_grads
vor optimizer.step
aufrufen.
optimizer.clip_master_grads(max_norm) # max_norm(float or int): max norm of the gradients
Tipp
Wenn Sie das torch.optim.lr_scheduler
FP16-Training verwenden, müssen Sie optimizer.optimizer
an den LR-Scheduler übergeben, und nicht an den Optimizer. Schauen Sie sich den folgenden Beispiel-Code an:
from torch.optim.lr_scheduler import StepLR scheduler = StepLR( optimizer.optimizer if smp.state.cfg.fp16 else optimizer, step_size=1, gamma=args.gamma )