mirror of https://github.com/hpcaitech/ColossalAI
Jiarui Fang
2 years ago
committed by
GitHub
4 changed files with 1 additions and 181 deletions
@ -1,51 +0,0 @@ |
|||||||
import torch.nn |
|
||||||
|
|
||||||
from colossalai.tensor.colo_parameter import ColoParameter |
|
||||||
from colossalai.tensor.param_op_hook import ParamOpHookManager |
|
||||||
from colossalai.gemini.ophooks import ParamMemHook |
|
||||||
from colossalai.nn.parallel.data_parallel import _cast_float |
|
||||||
|
|
||||||
|
|
||||||
class ParamWrapper(): |
|
||||||
|
|
||||||
def __init__(self, module: torch.nn.Module, dtype: torch.dtype = torch.half): |
|
||||||
super().__init__() |
|
||||||
self.module = module |
|
||||||
self.dtype = dtype |
|
||||||
self.param_op_hook = ParamMemHook() |
|
||||||
|
|
||||||
for p in module.parameters(): |
|
||||||
assert isinstance(p, ColoParameter) |
|
||||||
p.data = p.data.to(dtype) |
|
||||||
|
|
||||||
self._cast_buffers_to_cuda_dtype() |
|
||||||
|
|
||||||
def __call__(self, *args, **kwargs): |
|
||||||
return self.forward(*args, **kwargs) |
|
||||||
|
|
||||||
def _pre_forward(self): |
|
||||||
self.param_op_hook.mem_monitor.start() |
|
||||||
|
|
||||||
def forward(self, *args, **kwargs): |
|
||||||
args, kwargs = _cast_float(args, self.dtype), _cast_float(kwargs, self.dtype) |
|
||||||
self.module.zero_grad(set_to_none=True) |
|
||||||
self._pre_forward() |
|
||||||
with ParamOpHookManager.use_hooks(self.param_op_hook): |
|
||||||
outputs = self.module(*args, **kwargs) |
|
||||||
return outputs |
|
||||||
|
|
||||||
def backward(self, loss): |
|
||||||
with self.param_op_hook.switch_to_backward(), ParamOpHookManager.use_hooks(self.param_op_hook): |
|
||||||
loss.backward() |
|
||||||
self._post_backward() |
|
||||||
|
|
||||||
def _post_backward(self): |
|
||||||
cuda_volume = self.param_op_hook.mem_monitor.finish() |
|
||||||
last_model_data = self.param_op_hook._model_data_list[-1] |
|
||||||
self.param_op_hook._non_model_data_list.append(cuda_volume - last_model_data) |
|
||||||
|
|
||||||
def _cast_buffers_to_cuda_dtype(self): |
|
||||||
for buffer in self.module.buffers(): |
|
||||||
buffer.data = buffer.cuda() |
|
||||||
if torch.is_floating_point(buffer): |
|
||||||
buffer.data = buffer.data.to(self.dtype) |
|
@ -1,81 +0,0 @@ |
|||||||
from contextlib import contextmanager |
|
||||||
from enum import Enum |
|
||||||
from functools import partial |
|
||||||
from typing import List |
|
||||||
|
|
||||||
import torch |
|
||||||
|
|
||||||
from colossalai.gemini.memory_tracer import SyncCudaMemoryMonitor |
|
||||||
from colossalai.tensor.param_op_hook import ParamOpHook |
|
||||||
|
|
||||||
|
|
||||||
class TrainingPhase(Enum): |
|
||||||
FORWARD = 0 |
|
||||||
BACKWARD = 1 |
|
||||||
|
|
||||||
|
|
||||||
class ParamMemHook(ParamOpHook): |
|
||||||
|
|
||||||
def __init__(self) -> None: |
|
||||||
super().__init__() |
|
||||||
self._training_phase = TrainingPhase.FORWARD |
|
||||||
self.mem_monitor = SyncCudaMemoryMonitor() |
|
||||||
self._non_model_data_list = [] |
|
||||||
self._model_data_list = [] |
|
||||||
|
|
||||||
def _move_params_to_dev(self, params, dev: str) -> int: |
|
||||||
assert isinstance(dev, str), f"device should be a str not torch.device" |
|
||||||
comm_volume = 0 |
|
||||||
for p in params: |
|
||||||
if p.data.device.type != dev: |
|
||||||
p.data = p.data.to(dev) |
|
||||||
comm_volume += p.data.numel() * p.data.element_size() |
|
||||||
if p.grad is not None: |
|
||||||
if p.grad.device.type != dev: |
|
||||||
p.grad = p.grad.to(dev) |
|
||||||
comm_volume += p.grad.numel() * p.grad.element_size() |
|
||||||
return comm_volume |
|
||||||
|
|
||||||
def sample_model_data(self, params): |
|
||||||
data_volume = 0 |
|
||||||
for p in params: |
|
||||||
data_volume += p.data.numel() * p.data.element_size() |
|
||||||
if self._training_phase == TrainingPhase.BACKWARD: |
|
||||||
# add param.grad, actually param.grad is None in this time |
|
||||||
data_volume *= 2 |
|
||||||
self._model_data_list.append(data_volume) |
|
||||||
|
|
||||||
def pre_op(self, params): |
|
||||||
cuda_volume = self.mem_monitor.finish() |
|
||||||
if len(self._model_data_list): |
|
||||||
self._non_model_data_list.append(cuda_volume - self._model_data_list[-1]) |
|
||||||
self._move_params_to_dev(params, 'cuda') |
|
||||||
self.sample_model_data(params) |
|
||||||
self.mem_monitor.start() |
|
||||||
|
|
||||||
def post_op(self, params): |
|
||||||
self._move_params_to_dev(params, 'cpu') |
|
||||||
|
|
||||||
def pre_forward(self, params: List[torch.Tensor]) -> None: |
|
||||||
self.pre_op(params) |
|
||||||
|
|
||||||
def post_forward(self, params: List[torch.Tensor]) -> None: |
|
||||||
self.post_op(params) |
|
||||||
|
|
||||||
def pre_backward(self, params: List[torch.Tensor]) -> None: |
|
||||||
self.pre_op(params) |
|
||||||
|
|
||||||
def post_backward(self, params: List[torch.Tensor]) -> None: |
|
||||||
self.post_op(params) |
|
||||||
|
|
||||||
@contextmanager |
|
||||||
def switch_training_phase(self, training_phase: TrainingPhase = TrainingPhase.BACKWARD): |
|
||||||
old_training_phase = self._training_phase |
|
||||||
try: |
|
||||||
self._training_phase = training_phase |
|
||||||
yield |
|
||||||
finally: |
|
||||||
self._training_phase = old_training_phase |
|
||||||
|
|
||||||
switch_to_backward = switch_training_phase |
|
||||||
switch_to_forward = partial(switch_to_backward, training_phase=TrainingPhase.FORWARD) |
|
@ -1,47 +0,0 @@ |
|||||||
import numpy as np |
|
||||||
import torch |
|
||||||
|
|
||||||
from colossalai.gemini.memory_tracer.param_tracer_wrapper import ParamWrapper |
|
||||||
from colossalai.utils.model.colo_init_context import ColoInitContext |
|
||||||
from tests.components_to_test.registry import non_distributed_component_funcs |
|
||||||
|
|
||||||
def run_fwd_bwd(model, data, label, criterion, enable_autocast=False): |
|
||||||
with torch.cuda.amp.autocast(enabled=enable_autocast): |
|
||||||
if criterion: |
|
||||||
y = model(data) |
|
||||||
loss = criterion(y, label) |
|
||||||
else: |
|
||||||
loss = model(data, label) |
|
||||||
loss = loss.float() |
|
||||||
model.backward(loss) |
|
||||||
|
|
||||||
def run_param_wrapper_testing(): |
|
||||||
test_models = ['repeated_computed_layers', 'simple_net', 'no_leaf_module', 'bert'] |
|
||||||
|
|
||||||
for model_name in test_models: |
|
||||||
get_components_func = non_distributed_component_funcs.get_callable(model_name) |
|
||||||
model_builder, train_dataloader, _, _, criterion = get_components_func() |
|
||||||
|
|
||||||
with ColoInitContext(device=torch.device('cpu')): |
|
||||||
model = model_builder(checkpoint=False) |
|
||||||
|
|
||||||
model = ParamWrapper(model) |
|
||||||
|
|
||||||
for i, (data, label) in enumerate(train_dataloader): |
|
||||||
if i > 1: |
|
||||||
break |
|
||||||
data = data.cuda() |
|
||||||
label = label.cuda() |
|
||||||
|
|
||||||
run_fwd_bwd(model, data, label, criterion, False) |
|
||||||
|
|
||||||
cuda_non_model_data_list = np.array(model.param_op_hook._non_model_data_list) / 1024 ** 2 |
|
||||||
print("cuda_non_model_data_list", len(cuda_non_model_data_list)) |
|
||||||
# print(model.param_op_hook._non_model_data_list) |
|
||||||
|
|
||||||
del model |
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
if __name__ == '__main__': |
|
||||||
run_param_wrapper_testing() |
|
Loading…
Reference in new issue