评价此页

★ ★ ★ ★ ★

intermediate/ddp_tutorial

在 Google Colab 中运行

分布式数据并行入门#

创建于：2019 年 4 月 23 日 | 最后更新：2025 年 6 月 6 日 | 最后验证：2024 年 11 月 5 日

作者：Shen Li

编辑者：Joe Zhu, Chirag Pandya

注意

在 github 上查看和编辑此教程。

先决条件

DistributedDataParallel (DDP) 是 PyTorch 中一个强大的模块，它允许您在多台机器上并行化您的模型，使其非常适合大规模深度学习应用。要使用 DDP，您需要生成多个进程，并为每个进程创建一个 DDP 实例。

但是它是如何工作的呢？DDP 使用 torch.distributed 包中的集体通信来同步所有进程的梯度和缓冲区。这意味着每个进程都将拥有自己的模型副本，但它们将协同工作以训练模型，就像它在单个机器上一样。

为了实现这一点，DDP 为模型中的每个参数注册一个 autograd 钩子。当反向传播运行时，此钩子会触发并启动所有进程的梯度同步。这确保了每个进程具有相同的梯度，然后这些梯度用于更新模型。

有关 DDP 如何工作以及如何有效使用它的更多信息，请务必查阅 DDP 设计说明。借助 DDP，您可以比以往更快、更高效地训练模型！

使用 DDP 的推荐方式是为每个模型副本生成一个进程。模型副本可以跨越多个设备。DDP 进程可以放置在同一台机器上或跨机器放置。请注意，GPU 设备不能在 DDP 进程之间共享（即一个 GPU 用于一个 DDP 进程）。

在本教程中，我们将从一个基本的 DDP 用例开始，然后演示更高级的用例，包括模型检查点和 DDP 与模型并行结合使用。

注意

本教程中的代码在 8-GPU 服务器上运行，但它可以轻松地推广到其他环境。

`DataParallel` 和 `DistributedDataParallel` 的比较#

在我们深入探讨之前，让我们澄清一下为什么您会考虑使用 DistributedDataParallel 而不是 DataParallel，尽管它增加了复杂性。

首先，DataParallel 是单进程、多线程的，但它只在单机上工作。相比之下，DistributedDataParallel 是多进程的，支持单机和多机训练。由于线程之间的 GIL 竞争、每次迭代的模型复制以及散射输入和收集输出带来的额外开销，即使在单机上，DataParallel 通常也比 DistributedDataParallel 慢。
回顾之前的教程，如果您的模型太大而无法放入单个 GPU，您必须使用**模型并行**将其拆分到多个 GPU 上。DistributedDataParallel 与**模型并行**协同工作，而 DataParallel 目前不支持。当 DDP 与模型并行结合使用时，每个 DDP 进程将使用模型并行，所有进程将共同使用数据并行。

基本用例#

要创建 DDP 模块，您必须首先正确设置进程组。更多详细信息请参见使用 PyTorch 编写分布式应用程序。

import os
import sys
import tempfile
import torch
import torch.distributed as dist
import torch.nn as nn
import torch.optim as optim
import torch.multiprocessing as mp

from torch.nn.parallel import DistributedDataParallel as DDP

# On Windows platform, the torch.distributed package only
# supports Gloo backend, FileStore and TcpStore.
# For FileStore, set init_method parameter in init_process_group
# to a local file. Example as follow:
# init_method="file:///f:/libtmp/some_file"
# dist.init_process_group(
#    "gloo",
#    rank=rank,
#    init_method=init_method,
#    world_size=world_size)
# For TcpStore, same way as on Linux.

def setup(rank, world_size):
    os.environ['MASTER_ADDR'] = 'localhost'
    os.environ['MASTER_PORT'] = '12355'

    # initialize the process group
    dist.init_process_group("gloo", rank=rank, world_size=world_size)

def cleanup():
    dist.destroy_process_group()

现在，让我们创建一个玩具模块，用 DDP 包装它，并给它一些虚拟输入数据。请注意，由于 DDP 在 DDP 构造函数中将模型状态从 rank 0 进程广播到所有其他进程，您无需担心不同的 DDP 进程从不同的初始模型参数值开始。

class ToyModel(nn.Module):
    def __init__(self):
        super(ToyModel, self).__init__()
        self.net1 = nn.Linear(10, 10)
        self.relu = nn.ReLU()
        self.net2 = nn.Linear(10, 5)

    def forward(self, x):
        return self.net2(self.relu(self.net1(x)))


def demo_basic(rank, world_size):
    print(f"Running basic DDP example on rank {rank}.")
    setup(rank, world_size)

    # create model and move it to GPU with id rank
    model = ToyModel().to(rank)
    ddp_model = DDP(model, device_ids=[rank])

    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(ddp_model.parameters(), lr=0.001)

    optimizer.zero_grad()
    outputs = ddp_model(torch.randn(20, 10))
    labels = torch.randn(20, 5).to(rank)
    loss_fn(outputs, labels).backward()
    optimizer.step()

    cleanup()
    print(f"Finished running basic DDP example on rank {rank}.")


def run_demo(demo_fn, world_size):
    mp.spawn(demo_fn,
             args=(world_size,),
             nprocs=world_size,
             join=True)

如您所见，DDP 封装了底层分布式通信细节，并提供了一个干净的 API，就好像它是一个本地模型一样。梯度同步通信在反向传播期间发生，并与反向计算重叠。当 backward() 返回时，param.grad 已经包含同步的梯度张量。对于基本用例，DDP 只需多几行代码即可设置进程组。当将 DDP 应用于更高级的用例时，一些注意事项需要谨慎。

处理速度倾斜#

在 DDP 中，构造函数、前向传播和反向传播是分布式同步点。预计不同的进程将启动相同数量的同步，并以相同的顺序到达这些同步点，并大致同时进入每个同步点。否则，快速进程可能会提前到达并超时，等待滞后者。因此，用户有责任平衡进程间的工作负载分布。有时，由于网络延迟、资源争用或不可预测的工作负载峰值等原因，处理速度倾斜是不可避免的。为了避免在这些情况下超时，请确保在调用 init_process_group 时传递足够大的 timeout 值。

保存和加载检查点#

通常使用 torch.save 和 torch.load 在训练期间检查点模块并从检查点恢复。有关更多详细信息，请参见保存和加载模型。使用 DDP 时，一个优化是只在一个进程中保存模型，然后在所有进程中加载它，从而减少写入开销。这之所以有效，是因为所有进程从相同的参数开始，并且在反向传播中同步梯度，因此优化器应该保持将参数设置为相同的值。如果您使用此优化（即在一个进程上保存但在所有进程上恢复），请确保在保存完成之前没有进程开始加载。此外，加载模块时，您需要提供适当的 map_location 参数，以防止进程进入其他设备的设备。如果缺少 map_location，torch.load 将首先将模块加载到 CPU，然后将每个参数复制到其保存的位置，这将导致同一机器上的所有进程使用同一组设备。有关更高级的故障恢复和弹性支持，请参阅 TorchElastic。

def demo_checkpoint(rank, world_size):
    print(f"Running DDP checkpoint example on rank {rank}.")
    setup(rank, world_size)

    model = ToyModel().to(rank)
    ddp_model = DDP(model, device_ids=[rank])


    CHECKPOINT_PATH = tempfile.gettempdir() + "/model.checkpoint"
    if rank == 0:
        # All processes should see same parameters as they all start from same
        # random parameters and gradients are synchronized in backward passes.
        # Therefore, saving it in one process is sufficient.
        torch.save(ddp_model.state_dict(), CHECKPOINT_PATH)

    # Use a barrier() to make sure that process 1 loads the model after process
    # 0 saves it.
    dist.barrier()
    # configure map_location properly
    map_location = {'cuda:%d' % 0: 'cuda:%d' % rank}
    ddp_model.load_state_dict(
        torch.load(CHECKPOINT_PATH, map_location=map_location, weights_only=True))

    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(ddp_model.parameters(), lr=0.001)

    optimizer.zero_grad()
    outputs = ddp_model(torch.randn(20, 10))
    labels = torch.randn(20, 5).to(rank)

    loss_fn(outputs, labels).backward()
    optimizer.step()

    # Not necessary to use a dist.barrier() to guard the file deletion below
    # as the AllReduce ops in the backward pass of DDP already served as
    # a synchronization.

    if rank == 0:
        os.remove(CHECKPOINT_PATH)

    cleanup()
    print(f"Finished running DDP checkpoint example on rank {rank}.")

将 DDP 与模型并行结合使用#

DDP 也适用于多 GPU 模型。DDP 包装多 GPU 模型在训练大量数据的大型模型时特别有用。

class ToyMpModel(nn.Module):
    def __init__(self, dev0, dev1):
        super(ToyMpModel, self).__init__()
        self.dev0 = dev0
        self.dev1 = dev1
        self.net1 = torch.nn.Linear(10, 10).to(dev0)
        self.relu = torch.nn.ReLU()
        self.net2 = torch.nn.Linear(10, 5).to(dev1)

    def forward(self, x):
        x = x.to(self.dev0)
        x = self.relu(self.net1(x))
        x = x.to(self.dev1)
        return self.net2(x)

将多 GPU 模型传递给 DDP 时，device_ids 和 output_device 绝不能设置。输入和输出数据将由应用程序或模型 forward() 方法放置到适当的设备中。

def demo_model_parallel(rank, world_size):
    print(f"Running DDP with model parallel example on rank {rank}.")
    setup(rank, world_size)

    # setup mp_model and devices for this process
    dev0 = rank * 2
    dev1 = rank * 2 + 1
    mp_model = ToyMpModel(dev0, dev1)
    ddp_mp_model = DDP(mp_model)

    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(ddp_mp_model.parameters(), lr=0.001)

    optimizer.zero_grad()
    # outputs will be on dev1
    outputs = ddp_mp_model(torch.randn(20, 10))
    labels = torch.randn(20, 5).to(dev1)
    loss_fn(outputs, labels).backward()
    optimizer.step()

    cleanup()
    print(f"Finished running DDP with model parallel example on rank {rank}.")


if __name__ == "__main__":
    n_gpus = torch.cuda.device_count()
    assert n_gpus >= 2, f"Requires at least 2 GPUs to run, but got {n_gpus}"
    world_size = n_gpus
    run_demo(demo_basic, world_size)
    run_demo(demo_checkpoint, world_size)
    world_size = n_gpus//2
    run_demo(demo_model_parallel, world_size)

使用 torch.distributed.run/torchrun 初始化 DDP#

我们可以利用 PyTorch Elastic 来简化 DDP 代码并更容易地初始化作业。我们仍然使用 Toymodel 示例并创建一个名为 elastic_ddp.py 的文件。

import os
import torch
import torch.distributed as dist
import torch.nn as nn
import torch.optim as optim

from torch.nn.parallel import DistributedDataParallel as DDP

class ToyModel(nn.Module):
    def __init__(self):
        super(ToyModel, self).__init__()
        self.net1 = nn.Linear(10, 10)
        self.relu = nn.ReLU()
        self.net2 = nn.Linear(10, 5)

    def forward(self, x):
        return self.net2(self.relu(self.net1(x)))


def demo_basic():
    torch.cuda.set_device(int(os.environ["LOCAL_RANK"]))
    dist.init_process_group("nccl")
    rank = dist.get_rank()
    print(f"Start running basic DDP example on rank {rank}.")
    # create model and move it to GPU with id rank
    device_id = rank % torch.cuda.device_count()
    model = ToyModel().to(device_id)
    ddp_model = DDP(model, device_ids=[device_id])
    loss_fn = nn.MSELoss()
    optimizer = optim.SGD(ddp_model.parameters(), lr=0.001)

    optimizer.zero_grad()
    outputs = ddp_model(torch.randn(20, 10))
    labels = torch.randn(20, 5).to(device_id)
    loss_fn(outputs, labels).backward()
    optimizer.step()
    dist.destroy_process_group()
    print(f"Finished running basic DDP example on rank {rank}.")

if __name__ == "__main__":
    demo_basic()

然后，可以在所有节点上运行 torch elastic/torchrun 命令，以初始化上面创建的 DDP 作业

torchrun --nnodes=2 --nproc_per_node=8 --rdzv_id=100 --rdzv_backend=c10d --rdzv_endpoint=$MASTER_ADDR:29400 elastic_ddp.py

在上面的示例中，我们正在两台主机上运行 DDP 脚本，并且在每台主机上运行 8 个进程。也就是说，我们正在 16 个 GPU 上运行此作业。请注意，$MASTER_ADDR 必须在所有节点上相同。

这里 torchrun 将启动 8 个进程并在其启动的节点上的每个进程上调用 elastic_ddp.py，但用户还需要应用 slurm 等集群管理工具来实际在 2 个节点上运行此命令。

例如，在启用 SLURM 的集群上，我们可以编写一个脚本来运行上述命令并将 MASTER_ADDR 设置为

export MASTER_ADDR=$(scontrol show hostname ${SLURM_NODELIST} | head -n 1)

然后我们只需使用 SLURM 命令运行此脚本：srun --nodes=2 ./torchrun_script.sh。

这只是一个示例；您可以选择自己的集群调度工具来启动 torchrun 作业。

有关弹性运行的更多信息，请参阅快速入门文档。