FP16모델 병렬화를 사용한 학습

FP16훈련을 위해 훈련 스크립트와 추정기에 다음과 같은 수정 사항을 적용하십시오.

참고

이 기능은 SageMaker 모델 병렬화 라이브러리 v1.10.0 PyTorch 이상에서 사용할 수 있습니다.

교육 스크립트를 수정하세요. PyTorch

1. smdistributed.modelparallel.torch.model_creation() 컨텍스트 관리자를 사용하여 모델을 래핑합니다.

   # 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 = ...

   작은 정보

   텐서 병렬 처리를 사용하는 경우 smp.model_creation 컨텍스트 관리자에 tensor_parallelism=smp.tp_size() > 1을 추가합니다. 이 줄을 추가하면 텐서 병렬 처리 활성화 여부를 자동으로 감지하는 데도 도움이 됩니다.

   with smp.model_creation(
       ... ,
       tensor_parallelism=smp.tp_size() > 1
   ):
       model = ...

2. 옵티마이저를 smdistributed.modelparallel.torch.DistributedOptimizer로 래핑할 경우 static_loss_scaling 또는 dynamic_loss_scaling 인수를 설정합니다. 기본적으로 static_loss_scaling는 1.0으로 설정되고 dynamic_loss_scaling는 False로 설정됩니다. dynamic_loss_scale=True를 설정하면 dynamic_loss_args 인수를 통해 동적 손실 크기 조정 옵션을 사전으로 제공할 수 있습니다. 대부분의 경우 기본 옵션과 함께 동적 손실 크기 조정을 사용하는 것이 좋습니다. 옵티마이저 래퍼 함수에 대한 자세한 내용, 옵션 및 예제는 smdistributed.modelparallel.torch를 참조하십시오. DistributedOptimizerAPI.

   다음 코드는 FP16 훈련을 위해 Adadelta 옵티마이저 객체를 동적 손실 스케일링으로 래핑하는 예제입니다.

   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
       }
   )

추정기 SageMaker PyTorch 구성

추정기 객체를 생성할 때 모델 병렬성을 위한 분포 구성에 FP16 파라미터 ("fp16") 를 추가합니다. SageMaker PyTorch 모델 병렬 처리용 구성 파라미터의 전체 목록은 smdistributed용 구성을 참조하세요.

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(...)

FP16훈련이 시작되면 모델과 옵티마이저는 FP16_Optimizer 각각 Apex 유틸리티의 수정된 smdistributed 버전인 FP16_Module 와 로 래핑됩니다. FP16_Module모델을 FP16 dtype으로 변환하고 순방향 전달을 처리합니다. FP16

작은 정보

optimizer.step 전에 clip_master_grads를 호출하여 그라디언트 클리핑을 적용합니다.

optimizer.clip_master_grads(max_norm)     # max_norm(float or int): max norm of the gradients

작은 정보

torch.optim.lr_scheduler사용하고 FP16 학습할 때는 옵티마이저가 아닌 LR optimizer.optimizer 스케줄러로 전달해야 합니다. 다음 예제 코드를 참조하세요.

from torch.optim.lr_scheduler import StepLR

scheduler = StepLR(
    optimizer.optimizer if smp.state.cfg.fp16 else optimizer,
    step_size=1,
    gamma=args.gamma
)