View a markdown version of this page

모델 병렬 처리를 사용한 FP16 훈련 - Amazon SageMaker AI

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

모델 병렬 처리를 사용한 FP16 훈련

FP16 훈련의 경우 훈련 스크립트 및 ModelTrainer에 다음 수정 사항을 적용합니다.

참고

이 기능은 SageMaker 모델 병렬 처리 라이브러리 v1.10.0 이상에서 PyTorch에 사용할 수 있습니다.

PyTorch 훈련 스크립트 조정

  1. smdistributed.modelparallel.torch.model_creation() 컨텍스트 관리자를 사용하여 모델을 래핑합니다.

    # fp16_training_script.py

import torch
import smdistributed.modelparallel.torch as smp

with smp.model_creation(
    dtype=torch.float16 if args.fp16 else torch.get_default_dtype()
):
    model = ...
    작은 정보

    텐서 병렬 처리를 사용하는 경우 smp.model_creation 컨텍스트 관리자에 tensor_parallelism=smp.tp_size() > 1을 추가합니다. 이 줄을 추가하면 텐서 병렬 처리 활성화 여부를 자동으로 감지하는 데도 도움이 됩니다.

    with smp.model_creation(
    ... ,
    tensor_parallelism=smp.tp_size() > 1
):
    model = ...

  2. 옵티마이저를 smdistributed.modelparallel.torch.DistributedOptimizer로 래핑할 경우 static_loss_scaling 또는 dynamic_loss_scaling 인수를 설정합니다. 기본적으로 static_loss_scaling는 1.0으로 설정되고 dynamic_loss_scaling는 False로 설정됩니다. dynamic_loss_scale=True를 설정하면 dynamic_loss_args 인수를 통해 동적 손실 크기 조정 옵션을 사전으로 제공할 수 있습니다. 대부분의 경우 기본 옵션과 함께 동적 손실 크기 조정을 사용하는 것이 좋습니다. 옵티마이저 래퍼 함수에 대한 자세한 내용, 옵션 및 예제는 smdistributed.modelparallel.torch.DistributedOptimizer API를 참조하세요.

    다음 코드는 FP16 훈련을 위해 동적 손실 크기 조정으로 Adadelta 옵티마이저 객체를 래핑하는 예제입니다.

    optimizer = torch.optim.Adadelta(...)
optimizer = smp.DistributedOptimizer(
    optimizer,
    static_loss_scale=None,
    dynamic_loss_scale=True,
    dynamic_loss_args={
        "scale_window": 1000,
        "min_scale": 1,
        "delayed_shift": 2
    }
)

SageMaker PyTorch ModelTrainer 구성

SageMaker PyTorch ModelTrainer 객체를 생성할 때 모델 병렬 처리를 위한 배포 구성에 FP16 파라미터("fp16")를 추가합니다. 모델 병렬 처리용 구성 파라미터의 전체 목록은 smdistributed용 구성을 참조하세요.

from sagemaker.train import ModelTrainer
from sagemaker.train.configs import SourceCode

smp_options = {
    "enabled": True,
    "parameters":  {
        "microbatches":  4,
        "pipeline_parallel_degree":  2,
        "tensor_parallel_degree":  2,
        ...,

        "fp16": True
    }
}

fp16_model_trainer = ModelTrainer(
    source_code=SourceCode(entry_script="fp16_training_script.py"),
    ...,

    distribution={
        "smdistributed": {"modelparallel": smp_options},
        "mpi": {...}
    }
)

fp16_model_trainer.train(...)

FP16 훈련이 시작되면 모델 및 옵티마이저는 각각 FP16_Module 및 FP16_Optimizer가 래핑하며 이는 Apex utils의 수정된 smdistributed 버전입니다. FP16_Module은 모델을 FP16 dtype으로 변환하고 FP16에서 순방향 패스를 처리합니다.

작은 정보

optimizer.step 전에 clip_master_grads를 호출하여 그라디언트 클리핑을 적용합니다.

optimizer.clip_master_grads(max_norm)     # max_norm(float or int): max norm of the gradients
작은 정보

torch.optim.lr_scheduler 및 FP16 훈련을 사용할 때는 옵티마이저가 아닌 LR 스케줄러에 optimizer.optimizer를 전달해야 합니다. 다음 예제 코드를 참조하세요.

from torch.optim.lr_scheduler import StepLR

scheduler = StepLR(
    optimizer.optimizer if smp.state.cfg.fp16 else optimizer,
    step_size=1,
    gamma=args.gamma
)