Horovod 分布式深度学习框架相关

西湖醋鱼

发布于 2020-12-30 14:05:43

7690

最近需要 Horovod 相关的知识，在这里记录一下，进行备忘：

分布式训练，分为数据并行和模型并行两种；
模型并行：分布式系统中的不同GPU负责网络模型的不同部分。神经网络模型的不同网络层被分配到不同的GPU或者同一层内部的不同参数被分配到不同的GPU之上；
数据并行：不同的GPU有同一个模型的多个副本，每个GPU分配到不同的数据，然后将所有的GPU的结果按照某种方式合并；
不同的GPU,可以是同一台机器之上的多个GPU或者是不同机器上的GPU;

在数据并行过程中，各个GPU之间需要同步模型参数，参数分为同步更新和异步更新两种情况；
图中的Machine可以认为是GPU或者是CPU;也有数据并行和模型并行的混合模式；模型并行各个部分存在一定的依赖，规模伸缩性差；而数据并行中，各个部分独立，规模伸缩性好；实际训练过程中更多使用数据并行；
数据并行会涉及到各个 GPU 之间同步模型参数，一般分为同步更新和异步更新。同步更新要等到所有 GPU 的梯度计算完成，再统一计算新权值，然后所有 GPU 同步新值后，才进行下一轮计算。异步更新，每个 GPU 梯度计算完后，无需等待其他 GPU 的梯度计算（有时可以设置需要等待的梯度个数），可立即更新整体权值，然后同步此权值，即可进行下一轮计算。同步更新有等待，异步更新基本没有等待，但异步更新涉及到梯度过时等更复杂问题；在实际应用中，单机多卡的同步式数据并行是最常用的，在论文中最常见的训练方式是单机八卡。数据再多时，一般就需要多机多卡；
无论是单机多卡，还是多机多卡，都是分布式训练；

保持更新，更多内容请关注 cnblogs.com/xuyaowen;

Horovod 安装：

安装 cuda 9.0; https://cloud.tencent.com/developer/article/1766888

编译安装nccl 根据cuda 9.0; https://cloud.tencent.com/developer/article/1766933

安装 gcc 4.9: https://cloud.tencent.com/developer/article/1766993

python 版本 Python 3.6.9 （具体环境请自行适配）

安装 openmpi 4.0 : https://cloud.tencent.com/developer/article/1766932

pip 安装 Horovod 框架：

HOROVOD_NCCL_HOME=nccl的home目录 HOROVOD_NCCL_LIB=nccl的lib目录 HOROVOD_NCCL_INCLUDE=nccl的include目录 HOROVOD_GPU_ALLREDUCE=NCCL pip install --no-cache-dir horovod

HOROVOD_NCCL_HOME=/home/name/nccl/build/ HOROVOD_NCCL_LIB=/home/name/nccl/build/lib/ HOROVOD_NCCL_INCLUDE=/home/name/nccl/build/include/  HOROVOD_GPU_ALLREDUCE=NCCL  pip install --no-cache-dir horovod

安装后，使用：python -c "import horovod.tensorflow as hvd;" 命令进行测试，如果无错误输出，则表示安装成功；之后可参考官方手册使用Horovod；

➜  openmpi python -c "import horovod.tensorflow as hvd;"
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:523: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  _np_qint8 = np.dtype([("qint8", np.int8, 1)])
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:524: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  _np_quint8 = np.dtype([("quint8", np.uint8, 1)])
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:525: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  _np_qint16 = np.dtype([("qint16", np.int16, 1)])
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:526: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  _np_quint16 = np.dtype([("quint16", np.uint16, 1)])
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:527: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  _np_qint32 = np.dtype([("qint32", np.int32, 1)])
/home/name/anaconda3/envs/gnnalgos/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:532: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  np_resource = np.dtype([("resource", np.ubyte, 1)])

参考连接：

https://github.com/horovod/horovod (官方文档，可以参考安装和使用)

https://www.infoq.cn/article/J4ry_9bsfbcNkv6dfuqC

http://fyubang.com/2019/07/08/distributed-training/ （讲解了分布式多卡训练相关的基础知识）

分布式多卡-pytorch,tensorflow 系列教程（较为详细的教程，讲解了现有较为优秀的框架的特点和使用方式）

https://zhuanlan.zhihu.com/p/78303865 （安装使用参考，本文中的安装步骤参考此教程）

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2019-11-15 ，如有侵权请联系 cloudcommunity@tencent.com 删除

https