Accelerate documentation

Использование нескольких моделей с DeepSpeed

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Использование нескольких моделей с DeepSpeed

В этом руководстве предполагается, что вы прочитали и поняли руководство по использованию DeepSpeed.

Запуск нескольких моделей с помощью Accelerate и DeepSpeed полезен для:

  • Дистилляция знаний
  • Техники постобучения, такие как RLHF (см. библиотеку TRL для дополнительных примеров)
  • Обучение нескольких моделей одновременно

В настоящее время в Accelerate есть очень экспериментальный API, который помогает использовать несколько моделей.

В этом руководстве мы сосредоточимся на двух типичных сценариях использования:

  1. Метод дистилляции знаний, при котором более маленькая модель-ученик обучается имитировать более крупную и высокопроизводительную модель-учителя. Если модель-ученик помещается на одном GPU, для обучения можно использовать ZeRO-2, а для шардирования учителя при инференсе — ZeRO-3. Это значительно быстрее, чем использовать ZeRO-3 для обеих моделей.
  2. Обучение нескольких непересекающихся моделей одновременно.

Дистилляция знаний

Knowledge distillation — хороший пример использования нескольких моделей, при этом обучается только одна из них.

Обычно для обеих моделей используется один utils.DeepSpeedPlugin. Однако в данном случае есть две отдельные конфигурации. Accelerate позволяет создавать и использовать несколько плагинов только в том случае, если они находятся в dict, чтобы вы могли обращаться к нужному плагину и активировать его при необходимости.

from accelerate.utils import DeepSpeedPlugin

zero2_plugin = DeepSpeedPlugin(hf_ds_config="zero2_config.json")
zero3_plugin = DeepSpeedPlugin(hf_ds_config="zero3_config.json")

deepspeed_plugins = {"student": zero2_plugin, "teacher": zero3_plugin}

Файл zero2_config.json следует настроить для полного обучения (то есть указать scheduler и optimizer, если вы не используете собственные), тогда как zero3_config.json нужно настроить только для модели инференса, как показано в примере ниже.

{
    "bf16": {
        "enabled": "auto"
    },
    "zero_optimization": {
        "stage": 3,
        "overlap_comm": true,
        "reduce_bucket_size": "auto",
        "stage3_prefetch_bucket_size": "auto",
        "stage3_param_persistence_threshold": "auto",
        "stage3_max_live_parameters": "auto",
        "stage3_max_reuse_distance": "auto",
    },
    "train_micro_batch_size_per_gpu": 1
}

Ниже приведен пример конфигурации zero2_config.json.

{
    "bf16": {
        "enabled": "auto"
    },
    "optimizer": {
        "type": "AdamW",
        "params": {
            "lr": "auto",
            "weight_decay": "auto",
            "torch_adam": true,
            "adam_w_mode": true
        }
    },
    "scheduler": {
        "type": "WarmupLR",
        "params": {
            "warmup_min_lr": "auto",
            "warmup_max_lr": "auto",
            "warmup_num_steps": "auto"
        }
    },
    "zero_optimization": {
        "stage": 2,
        "offload_optimizer": {
            "device": "cpu",
            "pin_memory": true
        },
    },
    "gradient_accumulation_steps": 1,
    "gradient_clipping": "auto",
    "train_batch_size": "auto",
    "train_micro_batch_size_per_gpu": "auto",
}

DeepSpeed вызовет ошибку, если train_micro_batch_size_per_gpu не указан, даже если данная модель не обучается.

Отсюда создайте один Accelerator и передайте в него обе конфигурации.

from accelerate import Accelerator

accelerator = Accelerator(deepspeed_plugins=deepspeed_plugins)

Теперь посмотрим, как их использовать.

Студент-модель

По умолчанию Accelerate назначает первый элемент в dict в качестве плагина по умолчанию или активного плагина (плагин "student"). Проверить это можно с помощью функции utils.deepspeed.get_active_deepspeed_plugin(), которая показывает, какой плагин активен.

active_plugin = get_active_deepspeed_plugin(accelerator.state)
assert active_plugin is deepspeed_plugins["student"]

AcceleratorState также хранит активный плагин DeepSpeed в state.deepspeed_plugin.

assert active_plugin is accelerator.deepspeed_plugin

Поскольку student — это активный плагин, давайте подготовим модель, оптимизатор и планировщик.

student_model, optimizer, scheduler = ...
student_model, optimizer, scheduler, train_dataloader = accelerator.prepare(student_model, optimizer, scheduler, train_dataloader)

Теперь пора заняться моделью-учителем.

Модель-учитель

Сначала необходимо указать в Accelerator, что следует использовать конфигурацию zero3_config.json.

accelerator.state.select_deepspeed_plugin("teacher")

Это отключает плагин "student" и вместо него включает плагин "teacher". Конфигурация DeepSpeed с состоянием внутри Transformers обновляется, и меняется то, какая конфигурация плагина вызывается при использовании deepspeed.initialize(). Это позволяет использовать автоматическую интеграцию контекстного менеджера deepspeed.zero.Init, предоставляемую Transformers.

teacher_model = AutoModel.from_pretrained(...)
teacher_model = accelerator.prepare(teacher_model)

В противном случае вам следует вручную инициализировать модель с помощью deepspeed.zero.Init.

with deepspeed.zero.Init(accelerator.deepspeed_plugin.config):
    model = MyModel(...)

Обучение

Отсюда ваш цикл обучения может быть любым, при условии, что teacher_model никогда не обучается.

teacher_model.eval()
student_model.train()
for batch in train_dataloader:
    with torch.no_grad():
        output_teacher = teacher_model(**batch)
    output_student = student_model(**batch)
    # Combine the losses or modify it in some way
    loss = output_teacher.loss + output_student.loss
    accelerator.backward(loss)
    optimizer.step()
    scheduler.step()
    optimizer.zero_grad()

Обучение нескольких непересекающихся моделей

Обучение нескольких моделей представляет собой более сложный сценарий. В текущем состоянии мы предполагаем, что во время обучения каждая модель полностью изолирована от остальных.

В этом сценарии по-прежнему необходимо создать два экземпляра utils.DeepSpeedPlugin. Однако вам также потребуется второй Accelerator, поскольку разные движки deepspeed вызываются в разные моменты времени. Один Accelerator может содержать только один экземпляр за раз.

Однако, поскольку state.AcceleratorState является объектом с состоянием, он уже знает обо всех доступных utils.DeepSpeedPlugin. Вы можете просто создать второй экземпляр Accelerator без дополнительных аргументов.

first_accelerator = Accelerator(deepspeed_plugins=deepspeed_plugins)
second_accelerator = Accelerator()

Вы можете вызвать first_accelerator.state.select_deepspeed_plugin(), чтобы включить или отключить конкретный плагин, а затем вызвать prepare.

# can be `accelerator_0`, `accelerator_1`, or by calling `AcceleratorState().select_deepspeed_plugin(...)`
first_accelerator.state.select_deepspeed_plugin("first_model")
first_model = AutoModel.from_pretrained(...)
# For this example, `get_training_items` is a nonexistent function that gets the setup we need for training
first_optimizer, first_scheduler, train_dl, eval_dl = get_training_items(model1)
first_model, first_optimizer, first_scheduler, train_dl, eval_dl = accelerator.prepare(
    first_model, first_optimizer, first_scheduler, train_dl, eval_dl
)

second_accelerator.state.select_deepspeed_plugin("second_model")
second_model = AutoModel.from_pretrained(...)
# For this example, `get_training_items` is a nonexistent function that gets the setup we need for training
second_optimizer, second_scheduler, _, _ = get_training_items(model2)
second_model, second_optimizer, second_scheduler = accelerator.prepare(
    second_model, second_optimizer, second_scheduler
)

А теперь можно начать обучение:

for batch in dl:
    outputs1 = first_model(**batch)
    first_accelerator.backward(outputs1.loss)
    first_optimizer.step()
    first_scheduler.step()
    first_optimizer.zero_grad()
    
    outputs2 = model2(**batch)
    second_accelerator.backward(outputs2.loss)
    second_optimizer.step()
    second_scheduler.step()
    second_optimizer.zero_grad()

Ресурсы

Чтобы увидеть больше примеров, ознакомьтесь с соответствующими тестами, которые в настоящее время находятся в [Accelerate].

Update on GitHub