昇腾社区首页
开发者
资源
支持
积分兑换 NEW

断点续训时间优化（PyTorch）

本章节介绍在PyTorch框架上使用断点续训特性时，用户可以选择使用的缩短断点续训时间的相关功能，包括缩短故障检测时间、重调度时间、集合通信初始化时间、训练回滚及加载checkpoint时间和算子编译时间。

故障检测时间优化

集群训练中出现参数面网络故障后，由于该故障不一定会影响训练任务，因此集群调度组件不会强制中断任务。当参数面网络故障影响训练任务时，由于集合通信的网络超时等待机制，将导致额外需要等待一段时间（通常默认为30分钟）后，集群调度组件才能感知到该故障从而触发断点续训。针对该问题，PyTorch Adapter插件（torch_npu）提供watchdog故障检测功能，该功能的详细说明请参考表1。

表1 watchdog故障检测

功能名称

watchdog故障检测。

功能特点

训练启动时，同时启动一个监测线程不断获取通信异常以及task执行异常。监测到故障发生后，快速抛出异常并终止训练任务进程，触发重调度。

使用说明

仅支持PyTorch 1.11.0、2.1.0及以上版本；PyTorch Adapter插件（torch_npu）版本必须高于6.0.RC1。

关键操作

在训练的shell启动脚本（例如train_start.sh）中，新增以下加粗的环境变量。PyTorch 2.1.0及以上版本默认开启watchdog故障检测，无需手动配置环境变量。

...
# env for breakpoint ckpt
export RESUME_MODE_ENABLE=1

export HCCL_ASYNC_ERROR_HANDLING=1            # 开启watchdog功能，默认取值为0，表示不开启watchdog，取值为1表示开启watchdog

重调度时间优化

重调度模式默认为Job级别重调度，每次故障时需要销毁所有Pod，然后重新创建并调度全部Pod。销毁、创建和调度Pod的过程将浪费大量时间。针对该问题，集群调度组件提供Pod级别重调度功能，该功能的介绍请参考表2。

表2 Pod级别重调度功能说明

功能名称

Pod级别重调度。

功能特点

每次故障只停止故障相关的Pod，重新创建并重调度故障相关的Pod后，重启训练任务。

使用说明

仅支持6.0.RC2及以上版本的集群调度组件。

关键操作
  1. 使用Dockerfile构建容器镜像，新增启动命令。
    ...
# DL无损失断点续训适配脚本
RUN pip3.7 install $MINDX_ELASTIC_PKG
RUN pip3.7 install $MINDIO_TTP_PKG

# 使用Pod级别重调度时必须配置以下命令
RUN sed -i '/import logging/i import mindx_elastic.api \' $(pip3.7 show torch | grep Location | awk -F ' ' '{print $2}')/torch/distributed/run.py 
...
  2. 在任务yaml中，新增以下字段，开启Pod级别重调度。
    ...
  labels:
    ...
    pod-rescheduling: "on"
...
  3. （可选）用户可以在启动训练的shell脚本（例如train_start.sh）中，新增max_restarts和monitor_interval参数，示例如下。
    ...
  logger "server id is: ""${server_id}"
  if [ "${framework}" == "PyTorch" ]; then
    get_env_for_pytorch_multi_node_job
    DISTRIBUTED_ARGS="--nproc_per_node $GPUS_PER_NODE --nnodes $NNODES --node_rank $NODE_RANK --master_addr $MASTER_ADDR --master_port $MASTER_PORT --max_restarts 50 --monitor_interval 10 "
...

    参数说明：

    • max_restarts：配置容器内最大允许触发的故障次数，取值为整数。超出次数后PyTorch训练进程会直接退出训练，不配置该参数时默认为32767次。
    • monitor_interval：配置监测训练进程状态的时间间隔，单位为秒，取值为整数。不配置该参数时默认为30秒。

集合通信初始化时间优化

  • PyTorch框架创建通信组时，使用TCP Store进行信息交换。任务规模变大后原生TCP Store的处理信息性能较差，导致创建通信组时间过长。针对该问题，PyTorch Adapter插件支持使用原生TCP Store的优化版本Parallel Store，详细说明请参考表3。
    表3 Parallel Store功能说明

    功能名称

    Parallel Store。

    功能特点

    多线程处理建链请求，减少建链请求队列等待时间，降低总体建链时间。

    使用说明

    仅支持PyTorch 1.11.0版本；PyTorchPyTorch Adapter插件（torch_npu）版本必须高于6.0.RC1。

    关键操作

    将启动训练的shell脚本（例如train_start.sh）中，torchrun启动命令修改为torch_npu_run。

    比如将

    torchrun train.py --train_parameter=xxx ....

    修改为

    torch_npu_run train.py --train_parameter=xxx ....
  • PyTorch框架NPU侧交换集合通信信息后，进行NPU卡间连接建链。当任务规模变大后，建链时间也大幅度增加。针对该问题，CANN对原生HCCL建链进行了性能优化，详细说明请参考表4。
    表4 原生HCCL建链性能优化功能说明

    功能名称

    原生HCCL建链性能优化。

    功能特点

    多线程异步完成集合通信信息协商，减少通信信息协商时间，降低总体建链时间。

    使用说明

    仅支持CANN 8.0.RC2及以上版本。

    关键操作

    无。

训练回滚及加载checkpoint时间优化

  • 训练时会每隔一段时间保存checkpoint文件（用于保存参数信息），每次保存checkpoint文件将浪费一定的训练时间，为了保证训练效率，保存checkpoint文件的间隔时间通常较大。每次故障时都需要从上一次保存的checkpoint回滚恢复训练，保存间隔越大每次故障时训练回滚浪费的时间就越长。针对该问题，集群调度组件支持MindIO ACP异步保存checkpoint，详细说明请参考表5。
    表5 异步保存checkpoint功能说明

    功能名称

    MindIO ACP异步保存checkpoint。

    功能特点

    从NPU中获取checkpoint后，异步写入存储中，降低每次保存checkpoint的训练损失和保存周期，从而降低训练回滚时间。

    使用说明

    仅支持6.0.RC2及以上版本的集群调度组件和MindIO组件。

    关键操作

    安装和使用MindIO组件，请参考《MindX DL MindIO ACP用户指南》。
  • 训练回滚恢复时，通常需要从存储中加载之前保存的checkpoint，由于checkpoint数据量较大，直接从存储读取的耗时较长，导致加载checkpoint的时间较长。针对该问题，集群调度组件支持MindIO checkpoint高效恢复，详细说明请参考表6。
    表6 checkpoint高效恢复功能说明

    功能名称

    MindIO checkpoint高效恢复。

    功能特点

    MindIO将最新的checkpoint存在内存中，故障恢复时可直接从内存中读取checkpoint，降低checkpoint读取时间。

    使用说明

    仅支持6.0.RC2及以上版本的集群调度组件和MindIO组件。

    关键操作

    安装和使用MindIO组件，请参考《MindX DL MindIO ACP用户指南》。

算子编译时间优化

训练执行算子时，如果该算子为首次执行，需要进行算子编译浪费大量时间。针对该问题，断点续训可选择算子二进制或算子编译缓存降低编译时间，详细说明请参考表7和表8。
表7 算子二进制功能说明

功能名称

算子二进制。

功能特点

算子编译时提前加载预置的算子二进制，直接免编译执行算子。

使用说明

仅支持CANN 8.0.RC2及以上版本。

关键操作

在Python启动脚本中，添加算子二进制配置命令，开启算子二进制。

torch.npu.set_compile_mode(jit_compile=False)
表8 算子编译缓存功能说明

功能名称

算子编译缓存。

功能特点

算子编译时加载存储上保存的算子编译缓存文件，加载后可降低编译时间。

使用说明

仅支持CANN 8.0.RC2及以上版本。

关键操作
  1. 在Python启动脚本中，添加算子二进制编译缓存配置命令，开启算子二进制编编译缓存。
    torch.npu.set_compile_mode(jit_compile=True)
  2. 在训练的shell启动脚本中（例如train_start.sh），添加如下环境变量。
    export ASCEND_CACHE_PATH=xxx   # 添加共享存储路径
export ASCEND_MAX_OP_CACHE_SIZE=-1    # 使用共享存储时建议开启，可解决多节点读取共享存储缓存资源争抢严重问题
父主题： 特性说明