pytorch单精度、半精度、混合精度、单卡、多卡（DP / DDP）、FSDP、DeepSpeed（环境没搞起来）模型训练代码，并对比不同方法的训练速度以及GPU内存的使用

FairScale（你真的需要FSDP、DeepSpeed吗？）

在了解各种训练方式之前，先来看一下 FairScale 给出的一个模型训练方式选择的流程，选择适合自己的方式，就是最好的。

训练环境设置

模型：预训练的Resnet50
数据集：Cifar10
硬件资源：一台4卡Tesla P40
训练设置：5 epoch、128 batch size
观察指标：显存占用、GPU使用率、训练时长、模型训练结果

备注：

由于P40硬件限制，不支持半精度fp16的训练，在fp16条件下训练的速度会受到影
响
ResNet50模型较小，batch_size=1时单卡仅占用 0.34G显存，绝大部分显存都被输入数据，以及中间激活占用

测试基准（batch_size=1）

单卡显存占用：0.34 G
单卡GPU使用率峰值：60%

单卡单精度训练

代码文件：pytorch_SingleGPU.py
单卡显存占用：11.24 G
单卡GPU使用率峰值：100%
训练时长（5 epoch）：1979 s
训练结果：准确率85%左右

单卡半精度训练

代码文件：pytorch_half_precision.py
单卡显存占用：5.79 G
单卡GPU使用率峰值：100%
训练时长（5 epoch）：1946 s
训练结果：准确率75%左右

备注： 单卡半精度训练的准确率只有75%，单精度的准确率在85%左右

单卡混合精度训练

AUTOMATIC MIXED PRECISION PACKAGE - TORCH.AMP

CUDA AUTOMATIC MIXED PRECISION EXAMPLES

PyTorch 源码解读之 torch.cuda.amp: 自动混合精度详解

如何使用 PyTorch 进行半精度、混(合)精度训练

如何使用 PyTorch 进行半精度训练

pytorch模型训练之fp16、apm、多GPU模型、梯度检查点（gradient checkpointing）显存优化等

Working with Multiple GPUs

代码文件：pytorch_auto_mixed_precision.py
单卡显存占用：6.02 G
单卡GPU使用率峰值：100%
训练时长（5 epoch）：1546 s
训练结果：准确率85%左右

混合精度训练过程

混合精度训练基本流程

维护一个 FP32 数值精度模型的副本
在每个iteration
- 拷贝并且转换成 FP16 模型
- 前向传播（FP16 的模型参数）
- loss 乘 scale factor s
- 反向传播（FP16 的模型参数和参数梯度）
- 参数梯度乘 1/s
- 利用 FP16 的梯度更新 FP32 的模型参数

autocast结合GradScaler用法

Creates model and optimizer in default precision

model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)

Creates a GradScaler once at the beginning of training.

scaler = GradScaler()

for epoch in epochs:
for input, target in data:
optimizer.zero_grad()

      # Runs the forward pass with autocasting.
      with autocast(device_type='cuda', dtype=torch.float16):
          output = model(input)
          loss = loss_fn(output, target)

      # Scales loss.  Calls backward() on scaled loss to create scaled gradients.
      # Backward passes under autocast are not recommended.
      # Backward ops run in the same dtype autocast chose for corresponding forward ops.
      scaler.scale(loss).backward()

      # scaler.step() first unscales the gradients of the optimizer's assigned params.
      # If these gradients do not contain infs or NaNs, optimizer.step() is then called,
      # otherwise, optimizer.step() is skipped.
      scaler.step(optimizer)

      # Updates the scale for next iteration.
      scaler.update()

基于GradScaler进行梯度裁剪

scaler.scale(loss).backward()
scaler.unscale_(optimizer)
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm)
scaler.step(optimizer)
scaler.update()
autocast用法

Creates some tensors in default dtype (here assumed to be float32)

a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")

with torch.autocast(device_type="cuda"):
# torch.mm is on autocast's list of ops that should run in float16.
# Inputs are float32, but the op runs in float16 and produces float16 output.
# No manual casts are required.
e_float16 = torch.mm(a_float32, b_float32)
# Also handles mixed input types
f_float16 = torch.mm(d_float32, e_float16)

After exiting autocast, calls f_float16.float() to use with d_float32

g_float32 = torch.mm(d_float32, f_float16.float())
autocast嵌套使用

Creates some tensors in default dtype (here assumed to be float32)

a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")

with torch.autocast(device_type="cuda"):
e_float16 = torch.mm(a_float32, b_float32)
with torch.autocast(device_type="cuda", enabled=False):
# Calls e_float16.float() to ensure float32 execution
# (necessary because e_float16 was created in an autocasted region)
f_float32 = torch.mm(c_float32, e_float16.float())
```
  # No manual casts are required when re-entering the autocast-enabled region.
  # torch.mm again runs in float16 and produces float16 output, regardless of input types.
  g_float16 = torch.mm(d_float32, f_float32)
```

4卡 DP（Data Parallel）

代码文件：pytorch_DP.py
单卡显存占用：3.08 G
单卡GPU使用率峰值：99%
训练时长（5 epoch）：742 s
训练结果：准确率85%左右

4卡 DDP（Distributed Data Parallel）

pytorch-multi-gpu-training
/ddp_train.py

DISTRIBUTED COMMUNICATION PACKAGE - TORCH.DISTRIBUTED

代码文件：pytorch_DDP.py
单卡显存占用：3.12 G
单卡GPU使用率峰值：99%
训练时长（5 epoch）：560 s
训练结果：准确率85%左右

代码启动命令（单机 4 GPU）

python -m torch.distributed.launch --nproc_per_node=4 --nnodes=1 pytorch_DDP.py

基于accelerate的 DDP

huggingface/accelerate

Hugging Face开源库accelerate详解

代码文件：accelerate_DDP.py
单卡显存占用：3.15 G
单卡GPU使用率峰值：99%
训练时长（5 epoch）：569 s
训练结果：准确率85%左右

accelerate配置文件default_DDP.yml

compute_environment: LOCAL_MACHINE
distributed_type: MULTI_GPU
downcast_bf16: 'no'
gpu_ids: all
machine_rank: 0
main_training_function: main
mixed_precision: 'no'
num_machines: 1
num_processes: 4
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false
代码启动命令（单机 4 GPU）

accelerate launch --config_file ./config/default_DDP.yml accelerate_DDP.py

Pytorch + FSDP（Fully Sharded Data Parallel）

Pytorch FULLY SHARDED DATA PARALLEL (FSDP) 初识

2023 年了，大模型训练还要不要用 PyTorch 的 FSDP ？

GETTING STARTED WITH FULLY SHARDED DATA PARALLEL(FSDP)

batch_size == 1
- 单卡显存占用：0.19 G，相比基准测试的 0.34G 有减少，但是没有达到4倍
- 单卡GPU使用率峰值：60%
batch_size == 128
- 单卡显存占用：2.88 G
- 单卡GPU使用率峰值：99%
代码文件：pytorch_FSDP.py
训练时长（5 epoch）：581 s
训练结果：准确率85%左右

备注： pytorch里面的FSDP的batchsize是指单张卡上的batch大小

代码启动命令（单机 4 GPU）

python -m torch.distributed.launch --nproc_per_node=4 --nnodes=1 pytorch_FSDP.py
FSDP包装后的模型

代码中指定对Resnet50中的Linear和Conv2d层应用FSDP。

基于accelerate的 FSDP（Fully Sharded Data Parallel）

batch_size == 1
- 单卡显存占用：0.38 G，相比基准测试的 0.34G 并没有减少
- 单卡GPU使用率峰值：60%
batch_size == 128
- 单卡显存占用：2.90 G
- 单卡GPU使用率峰值：99%
代码文件：accelerate_FSDP.py
训练时长（5 epoch）：576 s，对于这个小模型速度和DDP相当
训练结果：准确率85%左右

accelerate配置文件default_FSDP.yml

compute_environment: LOCAL_MACHINE
distributed_type: FSDP
downcast_bf16: 'no'
fsdp_config:
fsdp_auto_wrap_policy: SIZE_BASED_WRAP
fsdp_backward_prefetch_policy: BACKWARD_PRE
fsdp_forward_prefetch: true
fsdp_min_num_params: 1000000
fsdp_offload_params: false
fsdp_sharding_strategy: 1
fsdp_state_dict_type: SHARDED_STATE_DICT
fsdp_sync_module_states: true
fsdp_use_orig_params: true
machine_rank: 0
main_training_function: main
mixed_precision: 'no'
num_machines: 1
num_processes: 4
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false
代码启动命令（单机 4 GPU）

accelerate launch --config_file ./config/default_FSDP.yml accelerate_FSDP.py

Pytorch + DeepSpeed（环境没搞起来，哈哈哈）

[BUG] error: unrecognized arguments: --deepspeed ./ds_config.json #3961

fused_adam.so: cannot open shared object file: No such file or directory #119

DeepSpeedExamples/training/cifar/

Getting Started

代码文件：pytorch_DeepSpeed.py
单卡显存占用：
单卡GPU使用率峰值：
训练时长（5 epoch）：
训练结果：
代码启动命令（单机 4 GPU）

deepspeed pytorch_DeepSpeed.py --deepspeed_config ./config/zero_stage2_config.json

基于accelerate的 DeepSpeed（环境没搞起来，哈哈哈）

DeepSpeed介绍

深度解析：如何使用DeepSpeed加速PyTorch模型训练

DeepSpeed

代码文件：accelerate_DeepSpeed.py
单卡显存占用：
单卡GPU使用率峰值：
训练时长（5 epoch）：
训练结果：

pytorch单精度、半精度、混合精度、单卡、多卡（DP / DDP）、FSDP、DeepSpeed模型训练