El paralelismo ha emergido como una estrategia para entrenar modelos grandes en hardware limitado e incrementar la velocidad de entrenamiento en varios 贸rdenes de magnitud. En Hugging Face creamos la biblioteca 馃 Accelerate para ayudar a los usuarios a entrenar modelos 馃 Transformers en cualquier tipo de configuraci贸n distribuida, ya sea en una m谩quina con m煤ltiples GPUs o en m煤ltiples GPUs distribuidas entre muchas m谩quinas. En este tutorial aprender谩s c贸mo personalizar tu bucle de entrenamiento de PyTorch nativo para poder entrenar en entornos distribuidos.
Empecemos por instalar 馃 Accelerate:
pip install accelerate
Luego, importamos y creamos un objeto Accelerator
. Accelerator
detectar谩 autom谩ticamente el tipo de configuraci贸n distribuida que tengas disponible e inicializar谩 todos los componentes necesarios para el entrenamiento. No necesitas especificar el dispositivo en donde se debe colocar tu modelo.
>>> from accelerate import Accelerator
>>> accelerator = Accelerator()
Pasa todos los objetos relevantes para el entrenamiento al m茅todo prepare
. Esto incluye los DataLoaders de entrenamiento y evaluaci贸n, un modelo y un optimizador:
>>> train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
... train_dataloader, eval_dataloader, model, optimizer
... )
Por 煤ltimo, reemplaza el t铆pico loss.backward()
en tu bucle de entrenamiento con el m茅todo backward
de 馃 Accelerate:
>>> 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 c贸digo, 隆solo necesitas adicionar cuatro l铆neas de c贸digo a tu bucle de entrenamiento para habilitar el entrenamiento distribuido!
+ 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)
Una vez que hayas a帽adido las l铆neas de c贸digo relevantes, inicia el entrenamiento desde un script o notebook como Colaboratory.
Si est谩s corriendo tu entrenamiento desde un script ejecuta el siguiente comando para crear y guardar un archivo de configuraci贸n:
accelerate config
Comienza el entrenamiento con:
accelerate launch train.py
馃 Accelerate puede correr en un notebook si, por ejemplo, est谩s planeando utilizar las TPUs de Colaboratory. Encierra el c贸digo responsable del entrenamiento en una funci贸n y p谩salo a notebook_launcher
:
>>> from accelerate import notebook_launcher
>>> notebook_launcher(training_function)
Para obtener m谩s informaci贸n sobre 馃 Accelerate y sus numerosas funciones, consulta la documentaci贸n.