137 lines
5.2 KiB
Markdown
137 lines
5.2 KiB
Markdown
<!--Copyright 2022 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with
|
|
the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on
|
|
an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations under the License.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# Entrenamiento distribuido con 🤗 Accelerate
|
|
|
|
El paralelismo ha emergido como una estrategia para entrenar modelos grandes en hardware limitado e incrementar la velocidad de entrenamiento en varios órdenes de magnitud. En Hugging Face creamos la biblioteca [🤗 Accelerate](https://huggingface.co/docs/accelerate) para ayudar a los usuarios a entrenar modelos 🤗 Transformers en cualquier tipo de configuración distribuida, ya sea en una máquina con múltiples GPUs o en múltiples GPUs distribuidas entre muchas máquinas. En este tutorial aprenderás cómo personalizar tu bucle de entrenamiento de PyTorch nativo para poder entrenar en entornos distribuidos.
|
|
|
|
## Configuración
|
|
|
|
Empecemos por instalar 🤗 Accelerate:
|
|
|
|
```bash
|
|
pip install accelerate
|
|
```
|
|
|
|
Luego, importamos y creamos un objeto [`Accelerator`](https://huggingface.co/docs/accelerate/package_reference/accelerator#accelerate.Accelerator). `Accelerator` detectará automáticamente el tipo de configuración distribuida que tengas disponible e inicializará todos los componentes necesarios para el entrenamiento. No necesitas especificar el dispositivo en donde se debe colocar tu modelo.
|
|
|
|
```py
|
|
>>> from accelerate import Accelerator
|
|
|
|
>>> accelerator = Accelerator()
|
|
```
|
|
|
|
## Prepárate para acelerar
|
|
|
|
Pasa todos los objetos relevantes para el entrenamiento al método [`prepare`](https://huggingface.co/docs/accelerate/package_reference/accelerator#accelerate.Accelerator.prepare). Esto incluye los DataLoaders de entrenamiento y evaluación, un modelo y un optimizador:
|
|
|
|
```py
|
|
>>> train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
|
|
... train_dataloader, eval_dataloader, model, optimizer
|
|
... )
|
|
```
|
|
|
|
## Backward
|
|
|
|
Por último, reemplaza el típico `loss.backward()` en tu bucle de entrenamiento con el método [`backward`](https://huggingface.co/docs/accelerate/package_reference/accelerator#accelerate.Accelerator.backward) de 🤗 Accelerate:
|
|
|
|
```py
|
|
>>> for epoch in range(num_epochs):
|
|
... for batch in train_dataloader:
|
|
... outputs = model(**batch)
|
|
... loss = outputs.loss
|
|
... accelerator.backward(loss)
|
|
|
|
... optimizer.step()
|
|
... lr_scheduler.step()
|
|
... optimizer.zero_grad()
|
|
... progress_bar.update(1)
|
|
```
|
|
|
|
Como se puede ver en el siguiente código, ¡solo necesitas adicionar cuatro líneas de código a tu bucle de entrenamiento para habilitar el entrenamiento distribuido!
|
|
|
|
```diff
|
|
+ from accelerate import Accelerator
|
|
from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler
|
|
|
|
+ accelerator = Accelerator()
|
|
|
|
model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
|
|
optimizer = AdamW(model.parameters(), lr=3e-5)
|
|
|
|
- device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
|
|
- model.to(device)
|
|
|
|
+ train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
|
|
+ train_dataloader, eval_dataloader, model, optimizer
|
|
+ )
|
|
|
|
num_epochs = 3
|
|
num_training_steps = num_epochs * len(train_dataloader)
|
|
lr_scheduler = get_scheduler(
|
|
"linear",
|
|
optimizer=optimizer,
|
|
num_warmup_steps=0,
|
|
num_training_steps=num_training_steps
|
|
)
|
|
|
|
progress_bar = tqdm(range(num_training_steps))
|
|
|
|
model.train()
|
|
for epoch in range(num_epochs):
|
|
for batch in train_dataloader:
|
|
- batch = {k: v.to(device) for k, v in batch.items()}
|
|
outputs = model(**batch)
|
|
loss = outputs.loss
|
|
- loss.backward()
|
|
+ accelerator.backward(loss)
|
|
|
|
optimizer.step()
|
|
lr_scheduler.step()
|
|
optimizer.zero_grad()
|
|
progress_bar.update(1)
|
|
```
|
|
|
|
## Entrenamiento
|
|
|
|
Una vez que hayas añadido las líneas de código relevantes, inicia el entrenamiento desde un script o notebook como Colaboratory.
|
|
|
|
### Entrenar con un script
|
|
|
|
Si estás corriendo tu entrenamiento desde un script ejecuta el siguiente comando para crear y guardar un archivo de configuración:
|
|
|
|
```bash
|
|
accelerate config
|
|
```
|
|
|
|
Comienza el entrenamiento con:
|
|
|
|
```bash
|
|
accelerate launch train.py
|
|
```
|
|
|
|
### Entrenar con un notebook
|
|
|
|
🤗 Accelerate puede correr en un notebook si, por ejemplo, estás planeando utilizar las TPUs de Colaboratory. Encierra el código responsable del entrenamiento en una función y pásalo a `notebook_launcher`:
|
|
|
|
```py
|
|
>>> from accelerate import notebook_launcher
|
|
|
|
>>> notebook_launcher(training_function)
|
|
```
|
|
|
|
Para obtener más información sobre 🤗 Accelerate y sus numerosas funciones, consulta la [documentación](https://huggingface.co/docs/accelerate).
|