使用 Pytorch Lightning DDP 时记录事物的正确方法
Posted
技术标签:
【中文标题】使用 Pytorch Lightning DDP 时记录事物的正确方法【英文标题】:Proper way to log things when using Pytorch Lightning DDP 【发布时间】:2021-06-25 11:29:23 【问题描述】:我想知道在使用 DDP 时记录指标的正确方法是什么。我注意到如果我想在validation_epoch_end
中打印一些东西,使用 2 个 GPU 时会打印两次。我期待 validation_epoch_end
仅在等级 0 上被调用并接收来自所有 GPU 的输出,但我不确定这是否正确。因此我有几个问题:
validation_epoch_end(self, outputs)
- 使用 DDP 时,每个子进程是否接收从当前 GPU 处理的数据或从所有 GPU 处理的数据,即输入参数 outputs
是否包含来自所有 GPU 的整个验证集的输出?
如果 outputs
是 GPU/进程特定的,那么在使用 DDP 时,计算 validation_epoch_end
中整个验证集的任何指标的正确方法是什么?
我知道我可以通过检查 self.global_rank == 0
并仅在这种情况下打印/记录来解决打印问题,但是我正在尝试更深入地了解在这种情况下我正在打印/记录的内容。
这是我用例中的代码 sn-p。我希望能够报告整个验证数据集的 f1、精度和召回率,我想知道使用 DDP 时正确的做法是什么。
def _process_epoch_outputs(self,
outputs: List[Dict[str, Any]]
) -> Tuple[torch.Tensor, torch.Tensor]:
"""Creates and returns tensors containing all labels and predictions
Goes over the outputs accumulated from every batch, detaches the
necessary tensors and stacks them together.
Args:
outputs (List[Dict])
"""
all_labels = []
all_predictions = []
for output in outputs:
for labels in output['labels'].detach():
all_labels.append(labels)
for predictions in output['predictions'].detach():
all_predictions.append(predictions)
all_labels = torch.stack(all_labels).long().cpu()
all_predictions = torch.stack(all_predictions).cpu()
return all_predictions, all_labels
def validation_epoch_end(self, outputs: List[Dict[str, Any]]) -> None:
"""Logs f1, precision and recall on the validation set."""
if self.global_rank == 0:
print(f'Validation Epoch: self.current_epoch')
predictions, labels = self._process_epoch_outputs(outputs)
for i, name in enumerate(self.label_columns):
f1, prec, recall, t = metrics.get_f1_prec_recall(predictions[:, i],
labels[:, i],
threshold=None)
self.logger.experiment.add_scalar(f'name_f1/Val',
f1,
self.current_epoch)
self.logger.experiment.add_scalar(f'name_Precision/Val',
prec,
self.current_epoch)
self.logger.experiment.add_scalar(f'name_Recall/Val',
recall,
self.current_epoch)
if self.global_rank == 0:
print((f'F1: f1, Precision: prec, '
f'Recall: recall, Threshold t'))
【问题讨论】:
【参考方案1】:问题
validation_epoch_end(self, outputs) - 当使用 DDP 时,每个 子进程接收当前GPU处理的数据或数据 从所有 GPU 处理,即输入参数是否输出 包含来自所有 GPU 的整个验证集的输出?
仅从当前 GPU 处理的数据,输出不同步,只有 backward
同步(梯度在训练期间同步并分发到驻留在每个 GPU 上的模型的副本)。 p>
想象一下,所有的输出都从1000
GPU 传递给这个可怜的主人,它可以很容易地给它一个 OOM
如果输出是 GPU/进程特定的,那么计算的正确方法是什么 在validation_epoch_end 中的整个验证集上的任何度量 使用 DDP?
根据documentation(强调我的):
使用从每个批次中拆分数据的加速器进行验证时 跨 GPU,有时您可能需要在 master 上聚合它们 GPU 用于处理(dp 或 ddp2)。
这里是随附的代码(在这种情况下,validation_epoch_end
将通过单个步骤接收跨多个 GPU 的累积数据,也可以查看 cmets):
# Done per-process (GPU)
def validation_step(self, batch, batch_idx):
x, y = batch
y_hat = self.model(x)
loss = F.cross_entropy(y_hat, y)
pred = ...
return 'loss': loss, 'pred': pred
# Gathered data from all processes (per single step)
# Allows for accumulation so the whole data at the end of epoch
# takes less memory
def validation_step_end(self, batch_parts):
gpu_0_prediction = batch_parts.pred[0]['pred']
gpu_1_prediction = batch_parts.pred[1]['pred']
# do something with both outputs
return (batch_parts[0]['loss'] + batch_parts[1]['loss']) / 2
def validation_epoch_end(self, validation_step_outputs):
for out in validation_step_outputs:
# do something with preds
提示
在关注每个设备的计算和尽可能少的 GPU 间传输
validation_step
内部(或training_step
,如果这是您想要的,这是一般情况)计算f1
、precision
、recall
和其他任何内容逐批
返回这些值(例如,作为字典)。现在,您将从每个设备返回 3
数字,而不是 (batch, outputs)
(可能要大得多)
在 validation_step_end
内部获取那些 3
值(如果您有 2 个 GPU,则实际上是 (2, 3)
)并对它们求和/取平均值并返回 3
值
现在validation_epoch_end
将获得(steps, 3)
可用于累积的值
如果不是在 validation_epoch_end
期间对值列表进行操作,而是将它们累积到另一个 3
值中,那就更好了(假设您有很多验证步骤,列表可能会变得太大),但这应该够了。
AFAIK PyTorch-Lightning 不这样做(例如,不是添加到list
,而是直接应用一些累加器),但我可能弄错了,所以任何更正都会很棒。
【讨论】:
感谢您的帮助!不幸的是,您提出的建议显然仅对文档中提到的 DP 和 DDP2 有效。我对此进行了测试并确认对于 DDP,即使我使用validation_step_end
,输出始终是 GPU 特定的......
@JovanAndonov 应该有 PyTorch “较低级别”的原语,如果是这种情况,您可能可以使用(不过可能会让人头疼)。以上是关于使用 Pytorch Lightning DDP 时记录事物的正确方法的主要内容,如果未能解决你的问题,请参考以下文章
使用 Pytorch Lightning DDP 时记录事物的正确方法
GCP 上的 PyTorch Lightning 多节点训练错误
简单介绍pytorch中分布式训练DDP使用 (结合实例,快速入门)
简单介绍pytorch中分布式训练DDP使用 (结合实例,快速入门)