NVIDIA Resiliency Extension(NVRx)是一个Python包,旨在为PyTorch工作负载提供多种容错解决方案,主要用于提高训练的有效时间,通过减少因故障和中断导致的停机时间。下面我们来详细介绍NVRx的主要功能、解决的问题以及如何安装和使用。
NVRx的主要功能
1. 检测卡住的进程(hung ranks)
NVRx能够识别训练过程中卡住的进程,以便及时处理。这种功能可以帮助用户快速发现并解决训练中的问题。
2. 在作业内重启训练
无需重新分配SLURM节点即可重启训练,这大大提高了训练的连续性。这样可以减少因故障导致的训练中断时间。
3. 故障检测与快速恢复
能够快速检测到训练过程中的故障,并提供恢复机制以减少训练时间的损失。这种快速恢复功能可以显著提高训练的效率。
4. 异步和本地检查点
提供了异步和本地检查点的框架,允许在训练中途保存状态,以便在故障后快速恢复。这种检查点机制可以帮助用户在故障发生后快速恢复训练。
5. 性能监控
监控GPU和CPU的性能,识别可能拖慢整体训练效率的较慢进程。通过监控性能,可以优化训练过程中的瓶颈。
6. 与PyTorch Lightning集成
支持与PyTorch Lightning的无缝集成,方便用户使用。这种集成可以简化用户的开发流程。
解决的问题
- 减少停机时间:通过快速恢复和重启训练,减少因故障导致的停机时间。
- 提高训练效率:通过监控性能并优化较慢的进程,提高整体训练效率。
- 简化故障处理:提供自动化的故障检测和恢复机制,简化用户的故障处理流程。
安装和使用
NVRx可以通过GitHub源代码安装,也可以直接从PyPI安装。具体安装步骤和使用文档可以参考官方文档。
安装示例
bash
# 从PyPI安装
pip install nvidia-resiliency-ext
# 从GitHub源代码安装
git clone https://github.com/NVIDIA/nvidia-resiliency-ext.git
cd nvidia-resiliency-ext
pip install .
使用示例
下面是一个简单的使用示例,展示如何使用NVRx进行检查点保存和恢复:
python
import torch
from nvresiliency import checkpoint
# 模型和数据
model = torch.nn.Linear(5, 3)
data = torch.randn(10, 5)
# 保存检查点
def save_checkpoint(epoch, model):
checkpoint.save_checkpoint(epoch, model.state_dict())
# 加载检查点
def load_checkpoint(epoch, model):
state_dict = checkpoint.load_checkpoint(epoch)
model.load_state_dict(state_dict)
# 训练过程中保存检查点
for epoch in range(10):
# 训练逻辑
output = model(data)
loss = torch.mean(output)
# 保存检查点
save_checkpoint(epoch, model)
# 模拟故障
if epoch == 5:
print("Simulating a failure...")
break
# 加载检查点并继续训练
load_checkpoint(5, model)
print("Training resumed from epoch 5.")
这个示例展示了如何在训练过程中保存检查点,并在故障后恢复训练。通过使用NVRx,用户可以轻松实现训练的容错性和高效性。