使用 TorchDistributor 进行分布式训练
本文介绍如何使用 TorchDistributor 在 PyTorch ML 模型上执行分布式训练。
TorchDistributor 是 PySpark 中的一个开源模块，可帮助用户在其 Spark 群集上使用 PyTorch 进行分布式训练，因此它允许你将 PyTorch 训练作业作为 Spark 作业启动。 在后台，它会初始化环境，并会初始化辅助角色之间的信道，同时利用 CLI 命令 torch.distributed.run 在工作器节点之间运行分布式训练。
TorchDistributor API 支持下表中显示的方法。
| 方法和签名 | 说明 |
|---|---|
init(self, num_processes, local_mode, use_gpu) |
创建 TorchDistributor 的实例。 |
run(self, main, *args) |
如果 main 是一个函数，则通过调用 main(**kwargs) 运行分布式训练；如果 main 是一个文件路径，则运行 CLI 命令 torchrun main *args。 |
要求
- Spark 3.4
- Databricks Runtime 13.0 ML 或更高版本
笔记本的开发工作流
如果模型创建和训练过程完全通过本地计算机上的笔记本或 Databricks 笔记本进行，则你只需做出少量的更改即可让代码为分布式训练做好准备。
准备单节点代码：使用 PyTorch、PyTorch Lightning 或其他基于 PyTorch/PyTorch Lightning 的框架（例如 HuggingFace Trainer API）准备和测试单节点代码。
为标准分布式训练准备代码：需要将单进程训练转换为分布式训练。 将此分布式代码全部包含在一个可与
TorchDistributor结合使用的训练函数中。将 import 语句移入训练函数：在训练函数中添加所需的 import 语句，例如
import torch。 这样可以避免常见的格式转换错误。 此外，模型和数据关联到的device_id由以下因素决定：device_id = int(os.environ["LOCAL_RANK"])启动分布式训练：使用所需的参数实例化
TorchDistributor，并调用.run(*args)启动训练。
下面是一个训练代码示例：
from pyspark.ml.torch.distributor import TorchDistributor
def train(learning_rate, use_gpu):
import torch
import torch.distributed as dist
import torch.nn.parallel.DistributedDataParallel as DDP
from torch.utils.data import DistributedSampler, DataLoader
backend = "nccl" if use_gpu else "gloo"
dist.init_process_group(backend)
device = int(os.environ["LOCAL_RANK"]) if use_gpu else "cpu"
model = DDP(createModel(), **kwargs)
sampler = DistributedSampler(dataset)
loader = DataLoader(dataset, sampler=sampler)
output = train(model, loader, learning_rate)
dist.cleanup()
return output
distributor = TorchDistributor(num_processes=2, local_mode=False, use_gpu=True)
distributor.run(train, 1e-3, True)
从外部存储库迁移训练
如果你在外部存储库中存储了一个现有的分布式训练过程，可以通过执行以下操作轻松迁移到 Azure Databricks：
导入存储库：将外部存储库导入为 Databricks Git 文件夹。
创建新笔记本：在存储库中初始化新的 Azure Databricks 笔记本。
启动分布式训练：在笔记本单元格中，如下所示调用
TorchDistributor：from pyspark.ml.torch.distributor import TorchDistributor train_file = "/path/to/train.py" args = ["--learning_rate=0.001", "--batch_size=16"] distributor = TorchDistributor(num_processes=2, local_mode=False, use_gpu=True) distributor.run(train_file, *args)
故障排除
笔记本工作流发生的一个常见错误是在运行分布式训练时找不到对象，或对象的格式已转换。 未向其他执行器分发库 import 语句时，可能会发生此错误。
为避免此问题，请在使用 TorchDistributor(...).run(<func>) 调用的训练函数的顶部，以及在训练方法中调用的其他任何用户定义函数内部包含所有 import 语句（例如 import torch）。
NCCL 故障：ncclInternalError: Internal check failed.
在多节点训练期间遇到此错误时，通常表示 GPU 之间的网络通信出现问题。 当 NCCL（NVIDIA 集体通信库）无法使用某些网络接口进行 GPU 通信时，就会出现此问题。
若要解决此错误，请在训练代码中添加以下代码片段，以使用主网络接口。
import os
os.environ["NCCL_SOCKET_IFNAME"] = "eth0"
示例笔记本
以下笔记本示例演示如何使用 PyTorch 执行分布式训练。