使用 Pytorch Lightning DDP 时记录事物的正确方法

Posted 2023-03-27

【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'))

【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 ma​​ster 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

关注每个设备的计算和尽可能少的 GPU 间传输

在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）。