2.1 KiB

Raw Blame History Unescape Escape

梯度 Handler

作者: Shenggui Li, Yongbin Li

前置教程

示例代码

ColossalAI-Examples Gradient Handler

引言

在分布式训练中，每次迭代结束时都需要梯度同步。这很重要，因为我们需要确保在不同的机器中使用相同的梯度更新参数，以便生成的参数都一样。这通常在数据并行中看到，因为在数据并行中的模型是直接复制的。

在 Colossal-AI 中，我们为用户提供了一个接口来定制他们想要如何处理同步。这为实现新的并行方法等情况带来了灵活性。

当梯度 Handler 被使用时, PyTorch 的 DistributedDataParallel 将不再被使用，因为它会自动同步梯度.

定制你的梯度 Handler

要实现定制的梯度Handler，需要遵循以下步骤。

继承Colossal-AI中的 BaseGradientHandler
将梯度Handler注册进 GRADIENT_HANDLER
实现 handle_gradient

from colossalai.legacy.registry import GRADIENT_HANDLER
from colossalai.legacy.engine.gradient_handler import BaseGradientHandler


@GRADIENT_HANDLER.register_module
class MyGradientHandler(BaseGradientHandler):

    def handle_gradient(self):
        do_something()

使用

要使用梯度 Handler，需要在配置文件中指定梯度 Handler。梯度 Handler 将自动构建并连接到 Engine。

gradient_handler = [dict(type='MyGradientHandler')]

实例

我们提供了一个运行实例展现梯度 Handler 的使用. 在这个例子中，我们使用 DataParallelGradientHandler 而不是 PyTorch 的 DistributedDataParallel 实现数据并行.

python -m torch.distributed.launch --nproc_per_node 4 --master_addr localhost --master_port 29500  train_with_engine.py

2.1 KiB Raw Blame History Unescape Escape

梯度 Handler

引言

定制你的梯度 Handler

使用

实例

2.1 KiB

Raw Blame History Unescape Escape