AI分布式训练：DDP (数据并行）技术详解与实战

编者按： 如今传统的单机单卡模式已经无法满足超大模型进行训练的要求，如何更好地、更轻松地利用多个 GPU 资源进行模型训练成为了人工智能领域的热门话题。

我们今天为大家带来的这篇文章详细介绍了一种名为 DDP(Distributed Data Parallel)的并行训练技术，作者认为这项技术既高效又易于实现。

文章要点如下：

(1)DDP 的核心思想是将模型和数据复制到多个 GPU 上并行训练，然后汇总平均梯度。

(2)DDP 比传统的 DP 模式更加高效，可以轻松扩展到多节点，同时也介绍了 DDP 的局限性。

(3)DDP 的 Python 实现非常简洁，主要分为进程初始化、设置 Distributed DataLoader（分布式数据加载器）和模型训练与测试三步。

(4)文中还解析了 DDP 中 Node、Master Node、Local Rank、Global Rank 等关键术语的具体含义。

(5)提供了从单 GPU 到单节点多 GPU 再到多节点场景的 DDP 应用案例源代码。

DDP 要求将整个模型加载到一个GPU上，这使得大模型的训练需要使用额外复杂的设置进行模型分片。期待未来有更多简单、高效、易用，还能满足大模型场景的模型训练并行技术出现！

作者 | François Porcher

编译 | 岳扬

🚢🚢🚢欢迎小伙伴们加入AI技术软件及技术交流群，追踪前沿热点，共探技术难题~

01 Introduction

本文将介绍一种名为 DDP （Distributed Data Parallel）的技术，使用这种技术可以实现同时在多个 GPU 上训练模型。

我上学的时候只能用云服务平台的 GPU 进行训练。然而，当我进入企业上班后，情况就不同了。如果你所在的公司在人工智能领域投入了大量资源，特别是如果你在一家科技巨头公司工作，那么很可能你可以随时使用大量的GPU集群。

本教程旨在让读者掌握如何同时利用多个GPU，实现快速高效的训练。而且，也许会让你惊讶的是，这种技术比你想象的还要简单！在你继续阅读本文之前，建议先去充分了解 PyTorch（一种机器学习框架）相关内容，包括其核心组件，如Datasets、 DataLoaders、Optimizers、CUDA 和 Training loop。

一开始，我也认为 DDP 是一种复杂的、几乎无法实现的技术，认为它需要一个庞大的技术团队来建立必要的基础设施。不过，我向你们保证，DDP不仅直观易懂，而且简洁明了，只需要几行代码就可以实现。 让我们一起踏上这段充满启迪的旅程吧！

02 直观理解DPP原理

分布式数据并行（DDP）是一个简单明了的概念。假如我们拥有一个由 4 个 GPU 组成的 GPU 集群。在DDP中，我们将相同的模型复制到每个GPU上进行训练。每个GPU都有自己的优化器，用于更新模型的参数。重点在于数据的划分。（译者注：通常情况下，我们将训练数据划分为多个 mini-batches，然后将这些 mini-batches 分配给多个GPU进行并行处理。每个GPU独立地计算梯度和更新参数，然后将结果同步到其他GPU上。）

DDP，图片摘自 PyTorch 教程[1]

如果你对深度学习比较熟悉，应该会知道 DataLoader，这是一种将数据集划分成不同 batches 的工具。通常情况下，我们会将整个数据集分成多个 batches ，模型在每个 batch 上进行计算，并根据计算结果更新模型参数。

DDP 进一步细化了这一过程，将每个 batch 划分为 “sub-batches”。实质上，每个模型副本都会处理 primary batch 的一个部分，从而让每个 GPU 都能独立地计算梯度，并根据其处理的数据片段来更新模型的参数。

在DDP中，我们通过一种名为 DistributedSampler 的工具将 batch 分成 sub-batches ，如下图所示：

DDP，图片摘自 PyTorch 教程[1]

在将每个 sub-batch 分配给各个GPU后，每个GPU都会独立地对其所处理的数据进行计算，并计算出自己独特的梯度（gradient）。

DDP，图片摘自 PyTorch 教程[1]

这就是 DDP 的神奇之处。在更新模型参数之前，需要汇总每个 GPU 计算出的梯度，以便每个 GPU 都能获得整个数据 batch 上计算出的平均梯度。
具体做法是将所有 GPU 的梯度之和取平均值。 例如，如果有 4 个 GPU，那么某个特定模型参数的平均梯度就是 4 个 GPU 上该参数的梯度之和除以 4。
DDP 使用 NCCL 或 Gloo 后端（NCCL 针对英伟达（NVIDIA） GPU 进行了优化，而 Gloo 则更为通用）来高效地在 GPU 之间进行通信和将梯度平均。

DDP，图片摘自 PyTorch 教程[1]

03 terms、nodes 和 ranks等相关术语解读

在深入代码之前，先了解 DDP 技术相关术语的含义十分重要。来解释一下这些术语的含义：

Node：可将 Node 视为一台配备了多个 GPU 的高性能计算机。集群（cluster）并不是简单地将一堆 GPU 拼凑在一起。相反，它们被组织成 Groups 或 Nodes。例如，一个 Node 可以容纳 8 个 GPU。
Master Node：在 multi-node（多节点）环境中，通常需要有一个 Node 负责协调工作。这个“Master Node”处理诸如同步、启动模型复制、监控模型加载和管理日志条目等任务。 如果没有 Master Node ，每个 GPU 都会独立生成日志，从而导致混乱。
Local Rank：术语“ Rank ” 可以类比为 ID 或位置。Local Rank 指的是 GPU 在其特定 Node（或计算机）中的位置或 ID。 它是“ Local ”的，因为它仅限于这台特定的设备。
Global Rank：从全局角度来看，Global Rank 是指 GPU 在所有可用 Node 中的标识。 这是一个唯一的标识符，与设备无关。
World Size：所有 Node 上可用的所有 GPU 数量。简单来说，就是节点数和每个节点中GPU数量的乘积。

从这个角度来看，如果只使用一台机器，情况就会简单明了，因为 Local Rank 等同于 Global Rank。

可以用一张图片来说明这一点：

Local rank，图片摘自 PyTorch 教程[2]

Global rank，图片摘自 PyTorch 教程[2]

04 DDP 的局限性

分布式数据并行（DDP）在许多深度学习工作流中都起到了变革性的作用，但了解其局限性也很重要。

DDP 的局限性主要在于其内存消耗。使用 DDP 时，每个 GPU 都会加载模型副本、优化器和对应 batch 的数据副本。

GPU 的内存大小通常从几 GB 到 80GB 不等。对于较小的模型，使用单个 GPU 都不是问题。但是，当涉及大语言模型（LLM）领域或类似于 GPT 的架构时，单个 GPU 的内存可能就不够用了。

在计算机视觉领域，虽然有大量轻量级模型，但当 batch sizes 增加时，特别是在涉及三维图像或物体检测任务的场景下，就会面临挑战。

全分片数据并行（Fully Sharded Data Parallel，FSDP）应运而生了。FSDP不仅将数据分布到不同的GPU上，还将模型和优化器的状态也分散到各个 GPU 的内存中。虽然这种方法看起来很好，但 FSDP 增多了 GPU 之间的通信，可能会降低训练速度。

总之：

如果您的模型及其相应的 batch 使用单个 GPU 的内存即可满足需求，那么 DDP 技术就是您的最佳选择，因为它的特点是速度快。
对于需要使用更多内存的大型模型，FSDP 是更合适的选择。不过，它是通过牺牲速度来换取内存的。

05 为什么要选择 DDP 而不是 DP？

在 PyTorch 的介绍网页中，其实是有两个选项的： DP 和 DDP。但本文此处提及这一内容只是为了避免读者迷失或混淆：实践中只需使用 DDP，它更快速，而且不局限于单个 Node。

DP 和 DDP 的比较，内容摘自 PyTorch 教程[3]

06 代码演示

实现分布式深度学习比我们想象的要更简单。它的美妙之处在于，我们不再需要被复杂的GPU配置或梯度分布所困扰。

可以在以下链接找到所有的代码模板和脚本：

https://github.com/FrancoisPorcher/awesome-ai-tutorials

下面是详细步骤分解：

进程初始化：这包括指定 master node 、指定端口和设置 world_size。
设置 Distributed DataLoader（分布式数据加载器）：这一步的关键是在可用的 GPU 上对每个batch进行分区。需要确保数据均匀分布，没有任何重叠。
模型训练/测试：本质上，这一步与仅使用单 GPU 的操作流程基本保持不变。

6.1 在一个单 GPU 的 Node 上进行训练（baseline）

首先，编写下面这段代码，在单 GPU 上加载数据集、创建模型并进行end-to-end（端到端）的训练。这是项目的起点：

import torch
import torch.nn.functional as F
from torch.utils.data import Dataset, DataLoader
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as npclass WineDataset(Dataset):def __init__(self, data, targets):self.data = dataself.targets = targetsdef __len__(self):return len(self.data)def __getitem__(self, idx):return torch.tensor(self.data[idx], dtype=torch.float), torch.tensor(self.targets[idx], dtype=torch.long)class SimpleNN(torch.nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = torch.nn.Linear(13, 64)self.fc2 = torch.nn.Linear(64, 3)def forward(self, x):x = F.relu(self.fc1(x))x = self.fc2(x)return xclass Trainer():def __init__(self, model, train_data, optimizer, gpu_id, save_every):self.model = modelself.train_data = train_dataself.optimizer = optimizerself.gpu_id = gpu_idself.save_every = save_everyself.losses = []def _run_batch(self, source, targets):self.optimizer.zero_grad()output = self.model(source)loss = F.cross_entropy(output, targets)loss.backward()self.optimizer.step()return loss.item()def _run_epoch(self, epoch):total_loss = 0.0num_batches = len(self.train_data)for source, targets in self.train_data:source = source.to(self.gpu_id)targets = targets.to(self.gpu_id)loss = self._run_batch(source, targets)total_loss += lossavg_loss = total_loss / num_batchesself.losses.append(avg_loss)print(f"Epoch {epoch}, Loss: {avg_loss:.4f}")def _save_checkpoint(self, epoch):checkpoint = self.model.state_dict()PATH = f"model_{epoch}.pt"torch.save(checkpoint, PATH)print(f"Epoch {epoch} | Model saved to {PATH}")def train(self, max_epochs):self.model.train()for epoch in range(max_epochs):self._run_epoch(epoch)if epoch % self.save_every == 0:self._save_checkpoint(epoch)def load_train_objs():wine_data = load_wine()X = wine_data.datay = wine_data.target# Normalize and splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)scaler = StandardScaler().fit(X_train)X_train = scaler.transform(X_train)X_test = scaler.transform(X_test)train_set = WineDataset(X_train, y_train)test_set = WineDataset(X_test, y_test)print("Sample from dataset:")sample_data, sample_target = train_set[0]print(f"Data: {sample_data}")print(f"Target: {sample_target}")model = SimpleNN()optimizer = torch.optim.Adam(model.parameters(), lr=0.001)return train_set, model, optimizerdef prepare_dataloader(dataset, batch_size):return DataLoader(dataset, batch_size=batch_size, pin_memory=True, shuffle=True)def main(device, total_epochs, save_every, batch_size):dataset, model, optimizer = load_train_objs()train_data = prepare_dataloader(dataset, batch_size)trainer = Trainer(model, train_data, optimizer, device, save_every)trainer.train(total_epochs)main(device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu"), total_epochs=100, save_every=50, batch_size=32)

6.2 在一个多 GPU 的 Node 上进行训练

现在，我们将在一个 Node 上使用所有 GPU，步骤如下：

导入分布式训练所需的库。
初始化分布式环境：特别是设置 MASTER_ADDR 和 MASTER_PORT。
使用DistributedDataParallel（DDP）将模型进行封装（译者注：DDP 会自动将模型的参数分布到各个 GPU 上，并在训练过程中进行同步）。
使用 Distributed Sampler 确保数据集以分布式方式划分到各个 GPU 上。
通过调整主函数的方式来生成多个进程，每个进程负责在不同的 GPU 上执行训练任务。

对于所需的库，我们可以通过以下操作导入：

import torch.multiprocessing as mp
from torch.utils.data.distributed import DistributedSampler
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.distributed import init_process_group, destroy_process_group
import os

如果在一个 Node 上有8个GPU，我们将会调用以下函数 8 次，为每个GPU设置一个单独的进程，并且为每个进程指定正确的local_rank参数。

def ddp_setup(rank, world_size):"""Set up the distributed environment.Args:rank: The rank of the current process. Unique identifier for each process in the distributed training.world_size: Total number of processes participating in the distributed training."""# Address of the main node. Since we are doing single-node training, it's set to localhost.os.environ["MASTER_ADDR"] = "localhost"# Port on which the master node is expected to listen for communications from workers.os.environ["MASTER_PORT"] = "12355"# Initialize the process group. # 'backend' specifies the communication backend to be used, "nccl" is optimized for GPU training.init_process_group(backend="nccl", rank=rank, world_size=world_size)# Set the current CUDA device to the specified device (identified by rank).# This ensures that each process uses a different GPU in a multi-GPU setup.torch.cuda.set_device(rank)

关于该函数的一些解释：

MASTER_ADDR是运行主进程（或rank为0的进程）的机器的主机名。在这里是localhost，表示在本地运行。
MASTER_PORT：指定主进程用于监听来自工作进程或其他进程连接的端口。12355是任意选择的端口号。只要这个端口号在系统中没有被其他服务使用，并且在防火墙规则中被允许，你可以选择任何未使用的端口号。
torch.cuda.set_device(rank)：这行代码确保每个进程使用其对应的GPU。

然后需要对 Trainer 类稍作更改。我们只需用 DDP 函数对模型进行封装即可：

class Trainer():def __init__(self, model, train_data, optimizer, gpu_id, save_every):self.model = model.to(gpu_id)self.train_data = train_dataself.optimizer = optimizerself.gpu_id = gpu_idself.save_every = save_everyself.losses = []# This changesself.model = DDP(self.model, device_ids=[gpu_id])

Trainer 类的其他部分都是一样的，amazing！

这种情况下需要调整数据加载器（dataloader），以便在多GPU训练中正确地将批次数据分发到每个GPU上进行处理。

def prepare_dataloader(dataset: Dataset, batch_size: int):return DataLoader(dataset,batch_size=batch_size,pin_memory=True,shuffle=False,sampler=DistributedSampler(dataset))

现在，我们可以修改 main 函数，每个进程都将调用该函数（本文这种情况是调用 8 次）：

def main(rank: int, world_size: int, save_every: int, total_epochs: int, batch_size: int):"""Main training function for distributed data parallel (DDP) setup.Args:rank (int): The rank of the current process (0 <= rank < world_size). Each process is assigned a unique rank.world_size (int): Total number of processes involved in the distributed training.save_every (int): Frequency of model checkpoint saving, in terms of epochs.total_epochs (int): Total number of epochs for training.batch_size (int): Number of samples processed in one iteration (forward and backward pass)."""# Set up the distributed environment, including setting the master address, port, and backend.ddp_setup(rank, world_size)# Load the necessary training objects - dataset, model, and optimizer.dataset, model, optimizer = load_train_objs()# Prepare the data loader for distributed training. It partitions the dataset across the processes and handles shuffling.train_data = prepare_dataloader(dataset, batch_size)# Initialize the trainer instance with the loaded model, data, and other configurations.trainer = Trainer(model, train_data, optimizer, rank, save_every)# Train the model for the specified number of epochs.trainer.train(total_epochs)# Cleanup the distributed environment after training is complete.destroy_process_group()

最后，在执行脚本时，我们将需要启动8个进程。这可以通过使用mp.spawn()函数来实现（译者注：mp.spawn()函数是PyTorch提供的用于在多个进程中启动训练任务的功能，它可以方便地启动多个进程，并为每个进程分配相应的GPU和其他资源。）：

if __name__ == "__main__":import argparseparser = argparse.ArgumentParser(description='simple distributed training job')parser.add_argument('total_epochs', type=int, help='Total epochs to train the model')parser.add_argument('save_every', type=int, help='How often to save a snapshot')parser.add_argument('--batch_size', default=32, type=int, help='Input batch size on each device (default: 32)')args = parser.parse_args()world_size = torch.cuda.device_count()mp.spawn(main, args=(world_size, args.save_every, args.total_epochs, args.batch_size), nprocs=world_size)

6.3 临门一脚：在多个 Node 上进行训练

恭喜您到达了最后一步！这一步是在不同 Node 上调用所有可用的 GPU。如果您理解了前文所做的工作，这一步就非常容易了。

在跨多个 Node 进行扩展时，关键区别在于从 local_rank 到 global_rank 的转变。这一点十分重要，因为每个进程都需要一个唯一的标识符。例如，如果使用两个 Node ，每个 Node 有 8 个 GPU，那么进程 0 和进程 8 的 local_rank 都是 0。

global_rank 的计算公式非常直观：

global_rank = node_rank * world_size_per_node + local_rank

因此，我们首先要修改 ddp_setup 函数：

def ddp_setup(local_rank, world_size_per_node, node_rank):os.environ["MASTER_ADDR"] = "MASTER_NODE_IP" # <-- Replace with your master node IPos.environ["MASTER_PORT"] = "12355" global_rank = node_rank * world_size_per_node + local_rankinit_process_group(backend="nccl", rank=global_rank, world_size=world_size_per_node*torch.cuda.device_count())torch.cuda.set_device(local_rank)

还需要调整主函数，该函数现在需要接受world_size_per_node作为参数。

def main(local_rank: int, world_size_per_node: int, save_every: int, total_epochs: int, batch_size: int, node_rank: int):ddp_setup(local_rank, world_size_per_node, node_rank)# ... (rest of the main function)

最后，我们还调整了 mp.spawn() 函数的 world_size_per_node 值：

if __name__ == "__main__":import argparseparser = argparse.ArgumentParser(description='simple distributed training job')parser.add_argument('total_epochs', type=int, help='Total epochs to train the model')parser.add_argument('save_every', type=int, help='How often to save a snapshot')parser.add_argument('--batch_size', default=32, type=int, help='Input batch size on each device (default: 32)')parser.add_argument('--node_rank', default=0, type=int, help='The rank of the node in multi-node training')args = parser.parse_args()world_size_per_node = torch.cuda.device_count()mp.spawn(main, args=(world_size_per_node, args.save_every, args.total_epochs, args.batch_size, args.node_rank), nprocs=world_size_per_node)

6.4 使用集群 (SLURM)

现在您已经准备好将训练任务发送到集群上。非常简单，你只需调用所需的节点数即可。

以下是 SLURM 脚本的模板：

#!/bin/bash
#SBATCH --job-name=DDPTraining       # Name of the job
#SBATCH --nodes=$1                   # Number of nodes specified by the user
#SBATCH --ntasks-per-node=1          # Ensure only one task runs per node
#SBATCH --cpus-per-task=1            # Number of CPU cores per task
#SBATCH --gres=gpu:1                 # Number of GPUs per node
#SBATCH --time=01:00:00              # Time limit hrs:min:sec (1 hour in this example)
#SBATCH --mem=4GB                    # Memory limit per GPU
#SBATCH --output=training_%j.log     # Output and error log name (%j expands to jobId)
#SBATCH --partition=gpu              # Specify the partition or queuesrun python3 your_python_script.py --total_epochs 10 --save_every 2 --batch_size 32 --node_rank $SLURM_NODEID

现在您可以使用以下命令从终端启动训练：

sbatch train_net.sh 2 # for using 2 nodes

Congratulations, you’ve made it!

Thanks for reading!

END

参考资料

[1]https://www.youtube.com/watch?v=Cvdhwx-OBBo

[2]https://www.youtube.com/watch?v=KaAJtI1T2x4

[3]https://pytorch.org/tutorials/beginner/ddp_series_theory.html

本文经原作者授权，由Baihai IDP编译。如需转载译文，请联系获取授权。

原文链接：

https://towardsdatascience.com/a-comprehensive-guide-of-distributed-data-parallel-ddp-2bb1d8b5edfb