Pytorch：單卡多程序並行訓練
1 導引
我們在部落格《Python：多程序並行程式設計與程序池》中介紹瞭如何使用Python的multiprocessing模組進行並行程式設計。不過在深度學習的專案中，我們進行單機多程序程式設計時一般不直接使用multiprocessing模組，而是使用其替代品torch.multiprocessing模組。它支援完全相同的操作，但對其進行了擴充套件。
Python的multiprocessing模組可使用fork、spawn、forkserver三種方法來建立程序。但有一點需要注意的是，CUDA執行時不支援使用fork，我們可以使用spawn或forkserver方法來建立子程序，以在子程序中使用CUDA。建立程序的方法可用multiprocessing.set_start_method(...) API來進行設定，比如下列程式碼就表示用spawn方法建立程序：
import torch.multiprocessing as mp
mp.set_start_method('spawn', force=True)
事實上，torch.multiprocessing在單機多程序程式設計中應用廣泛。尤其是在我們跑聯邦學習實驗時，常常需要在一張卡上並行訓練多個模型。注意，Pytorch多機分散式模組torch.distributed在單機上仍然需要手動fork程序。本文關注單卡多程序模型。
2 單卡多程序程式設計模型
我們在上一篇文章中提到過，多程序並行程式設計中最關鍵的一點就是程序間通訊。Python的multiprocessing採用共用記憶體進行程序間通訊。在我們的單卡多程序模型中，共用記憶體實際上可以直接由我們的CUDA記憶體擔任。
可能有讀者會表示不對啊，Pytorch中每個張量有一個tensor.share_memory_()用於將張量的資料移動到主機的共用記憶體中呀，如果CUDA記憶體直接擔任共用記憶體的作用，那要這個API幹啥呢？實際上，tensor.share_memory_()只在CPU模式下有使用的必要，如果張量分配在了CUDA上，這個函數實際上為空操作（no-op）。此外還需要注意，我們這裡的共用記憶體是程序間通訊的概念，注意與CUDA kernel層面的共用記憶體相區分。
注意，Python/Pytorch多程序模組的程序函數的引數和返回值必須相容於
pickle編碼，任務的執行是在單獨的直譯器中完成的，進行程序間通訊時需要在不同的直譯器之間交換資料，此時必須要進行序列化處理。在機器學習中常使用的稀疏矩陣不能序列化，如果涉及稀疏矩陣的操作會發生異常:NotImplementedErrorCannot access storage of SparseTensorImpl，在多程序程式設計時需要轉換為稠密矩陣處理。
3 範例： 同步並行SGD演演算法
我們的範例採用在部落格《分散式機器學習：同步並行SGD演演算法的實現與複雜度分析（PySpark）》中所介紹的同步並行SGD演演算法。計算模式採用資料並行方式，即將資料進行劃分並分配到多個工作節點(Worker)上進行訓練。同步SGD演演算法的虛擬碼描述如下：
注意，我們此處的多程序共用記憶體，是無需劃分資料而各程序直接對共用記憶體進行非同步無鎖讀寫的（參考Hogwild！演演算法[3]）。但是我們這裡為了演示同步並行SGD演演算法，還是為每個程序設定本地資料集和本地權重，且每個epoch各程序進行一次全域性同步，這樣也便於我們擴充套件到同步聯邦學習實驗環境。
在程式碼實現上，我們需要先對本地資料集進行劃，這裡需要繼承torch.utils.data.subset以自定義資料集類（參見我的部落格《Pytorch：自定義Subset/Dataset類完成資料集拆分 》）：
class CustomSubset(Subset):
'''A custom subset class with customizable data transformation'''
def __init__(self, dataset, indices, subset_transform=None):
super().__init__(dataset, indices)
self.subset_transform = subset_transform
def __getitem__(self, idx):
x, y = self.dataset[self.indices[idx]]
if self.subset_transform:
x = self.subset_transform(x)
return x, y
def __len__(self):
return len(self.indices)
def dataset_split(dataset, n_workers):
n_samples = len(dataset)
n_sample_per_workers = n_samples // n_workers
local_datasets = []
for w_id in range(n_workers):
if w_id < n_workers - 1:
local_datasets.append(CustomSubset(dataset, range(w_id * n_sample_per_workers, (w_id + 1) * n_sample_per_workers)))
else:
local_datasets.append(CustomSubset(dataset, range(w_id * n_sample_per_workers, n_samples)))
return local_datasets
local_train_datasets = dataset_split(train_dataset, n_workers)
然後定義本地模型、全域性模型和本地權重、全域性權重：
local_models = [Net().to(device) for i in range(n_workers)]
global_model = Net().to(device)
local_Ws = [{key: value for key, value in local_models[i].named_parameters()} for i in range(n_workers)]
global_W = {key: value for key, value in global_model.named_parameters()}
然後由於是同步演演算法，我們需要初始化多程序同步屏障：
from torch.multiprocessing import Barrier
synchronizer = Barrier(n_workers)
訓練演演算法流程（含測試部分）描述如下：
for epoch in range(epochs):
for rank in range(n_workers):
# pull down global model to local
pull_down(global_W, local_Ws, n_workers)
processes = []
for rank in range(n_workers):
p = mp.Process(target=train_epoch, args=(epoch, rank, local_models[rank], device,
local_train_datasets[rank], synchronizer, kwargs))
# We first train the model across `num_processes` processes
p.start()
processes.append(p)
for p in processes:
p.join()
test(global_model, device, test_dataset, kwargs)
# init the global model
init(global_W)
aggregate(global_W, local_Ws, n_workers)
# Once training is complete, we can test the model
test(global_model, device, test_dataset, kwargs)
其中的pull_down()函數負責將全域性模型賦給本地模型：
def pull_down(global_W, local_Ws, n_workers):
# pull down global model to local
for rank in range(n_workers):
for name, value in local_Ws[rank].items():
local_Ws[rank][name].data = global_W[name].data
init()函數負責給全域性模型進行初始化：
def init(global_W):
# init the global model
for name, value in global_W.items():
global_W[name].data = torch.zeros_like(value)
aggregate()函數負責對本地模型進行聚合（這裡我們採用最簡單的平均聚合方式）：
def aggregate(global_W, local_Ws, n_workers):
for rank in range(n_workers):
for name, value in local_Ws[rank].items():
global_W[name].data += value.data
for name in local_Ws[rank].keys():
global_W[name].data /= n_workers
最後，train_epoch和test_epoch定義如下(注意train_epoch函數的結尾需要加上 synchronizer.wait()表示程序間同步)：
def train_epoch(epoch, rank, local_model, device, dataset, synchronizer, dataloader_kwargs):
torch.manual_seed(seed + rank)
train_loader = torch.utils.data.DataLoader(dataset, **dataloader_kwargs)
optimizer = optim.SGD(local_model.parameters(), lr=lr, momentum=momentum)
local_model.train()
pid = os.getpid()
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = local_model(data.to(device))
loss = F.nll_loss(output, target.to(device))
loss.backward()
optimizer.step()
if batch_idx % log_interval == 0:
print('{}\tTrain Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
pid, epoch + 1, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
synchronizer.wait()
def test(epoch, model, device, dataset, dataloader_kwargs):
torch.manual_seed(seed)
test_loader = torch.utils.data.DataLoader(dataset, **dataloader_kwargs)
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
output = model(data.to(device))
test_loss += F.nll_loss(output, target.to(device), reduction='sum').item() # sum up batch loss
pred = output.max(1)[1] # get the index of the max log-probability
correct += pred.eq(target.to(device)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest Epoch: {} Global loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
epoch + 1, test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
我們在epochs=3、n_workers=4的設定下執行結果如下圖所示(我們這裡僅展示每個epoch同步通訊後，使用測試集對全域性模型進行測試的結果)：
Test Epoch: 1 Global loss: 0.0858, Accuracy: 9734/10000 (97%)
Test Epoch: 2 Global loss: 0.0723, Accuracy: 9794/10000 (98%)
Test Epoch: 3 Global loss: 0.0732, Accuracy: 9796/10000 (98%)
可以看到測試結果是趨於收斂的。
最後，完整程式碼我已經上傳到了GitHub倉庫 [Distributed-Algorithm-PySpark]
，感興趣的童鞋可以前往檢視。
參考
- [1] Pytorch: multiprocessing
- [2] Pytorch: What is the shared memory?
- [3] Recht B, Re C, Wright S, et al. Hogwild!: A lock-free approach to parallelizing stochastic gradient descent[J]. Advances in neural information processing systems, 2011, 24.