使用AIACC-Training MXNet版 - GPU 云服务器

由于MXNet支持KVStore和Horovod两种分布式训练方式，因此AIACC-Training 1.5能够支持使用KVStore的方式对MXNet分布式训练进行加速，同时支持Horovod的分布式训练方式，并且能够无缝兼容Horovod的API版本。

快速启用

代码适配与运行

适配AIACC-Training的方式与Horovod一致，如果您之前的训练代码是使用Horovod进行分布式训练，只需要替换import一行即可。替换内容如下：

import perseus.mxnet as hvd

完整的适配过程，请参见适配基于Horovod的API。
如果您的训练代码基于KVStore进行分布式训练，修改代码的具体操作，请参见适配基于KVStore的API。

示范用例

AIACC-Training软件包中为您提供了示例代码。您可以通过以下操作体验训练过程。

进入示例代码目录。

cd `echo $(python -c "import perseus; print(perseus)") | cut -d\' -f 4 | sed "s/\_\_init\_\_\.py//"`examples/

启动分布式训练。
以启动单机8卡的MNiST训练模型为例，示例命令如下：
```
perseusrun -np 8 -H localhost:8 python $examples_path/mxnet_mnist.py
```

适配MXNet

适配基于KVStore的API

为了支持InsightFace中特殊的数据+模型并行，Perseus KVStore增加了如下API：

local_rank：返回当前GPU worker在本节点内部的编号，以此编号来建立对应的gpu context。您可以在Python内部，直接使用local_rank作为当前的GPU ID来创建context，相较于在启动的Shell脚本中获得当前的GPU编号作为参数传入Python的示范用例，此方式更为便捷。
init(key_name, ndarray, param_only = false)： init方法中增加参数param_only。取值说明如下：
- true：表示其他参数的同步。当需要一次性同步如feature map数据、AllReduce精度数据等参数时，或者当不使用KVStore进行参数更新时，需要添加param_only参数并设置为true。
- false：表示普通的梯度同步。
push(key_name, ndarray, op = PerseusOp.Sum)：push方法中增加了用于同步Softmax layer的输出参数op。该参数的取值范围是Sum、Max、Min。默认值为Sum。

使用Perseus KVStore。

您需要参考如下示例修改自身训练代码，新增+后代码import perseus mxnet module，并删除-后代码，替换为KVStore的生成。示例如下：

diff --git a/example/image-classification/common/fit.py b/example/image-classification/common/fit.py
index 9412b6f..3a6e9a0 100755
--- a/example/image-classification/common/fit.py
+++ b/example/image-classification/common/fit.py
@@ -22,6 +22,7 @@ import time
 import re
 import math
 import mxnet as mx
+import perseus.mxnet as perseus_kv


 def _get_lr_scheduler(args, kv):
@@ -146,7 +147,8 @@ def fit(args, network, data_loader, **kwargs):
     # kvstore
-    kv = mx.kvstore.create(args.kv_store)
+    kv = perseus_kv.create(args.kv_store) if args.kv_store == dist_sync_perseus else mx.kvstore.create(args.kv_store)
     if args.gc_type != 'none':
         kv.set_gradient_compression({'type': args.gc_type,
                                      'threshold': args.gc_threshold})

将进程绑定至GPU卡。
AIACC-Training通过重载KVStore实现了对MXNet分布式训练的支持，在API上与原生KVStore基本兼容，使用AIACC-Training后，您只需要对模型代码中的ctx设定稍作修改，将单进程绑定至单张GPU卡上即可。
以如下代码片段为例，使用Perseus KVStore新增的API local_rank，将当前process绑定到kv.local_rank所对应的GPU卡上。
```
ctx = []
cvd = os.environ['DEVICES'].strip()
if 'perseus' in args.kv_store:
    import perseus.mxnet as perseus
    ctx.append(mx.gpu(kv.local_rank))
```
启动分布式训练任务。
与其它框架类似，Perseus采用MPI的启动方式，并且启动单机多卡与多机多卡的方式基本一致，不再支持原生MXNet下的单机多卡在单一Process中的模式。以下操作以启动4机8卡分布式训练任务为例，带您体验启动过程。
1. 准备训练脚本config.sh。
  由于该脚本要使用mpirun命令运行，因此需要使用MPI的环境变量来推导此进程所对应的GPU设备ID，然后设定此环境变量，并将此ID作为参数传递到module代码中去创建对应的ctx。脚本示例如下：
```
#!/bin/sh
let GPU=OMPI_COMM_WORLD_RANK % OMPI_COMM_WORLD_LOCAL_SIZE

export OMP_NUM_THREADS=4

MXNET_VISIBLE_DEVICE=$GPU python train_imagenet.py \
                                 --network resnet \
                                 --num-layers 50 \
                                 --kv-store dist_sync_perseus \
                                 --gpus $GPU …
```
2. 执行如下命令，启动训练脚本。
```
mpirun -np 32 -npernode 8 -hostfile mpi_host.txt  ./config.sh
```
  其中，mpi_host.txt为普通的MPI machinefile，与MXNet的SSHLauncher的host file类似，简单示例如下：
```
192.168.0.1
192.168.0.2
192.168.0.3
192.168.0.4
```
  开始训练之后，每个GPU都是一个单独的进程，有各自的输出。查看多机情况下每个机器的输出，总性能为所有单进程性能的总和。
  开源版本MXNet会默认占据系统所有的CPU资源，因此在最初的启动阶段，会占用较多的CPU时间，启动速度较慢。您可以通过设置以下环境变量解决该问题。
```
export MXNET_USE_OPERATOR_TUNING=0
export MXNET_USE_NUM_CORES_OPERATOR_TUNING=1
export OMP_NUM_THREADS=1
```

适配基于Horovod的API

本小节介绍如何使用Horovod兼容API进行MXNet分布式训练的基本步骤，以下操作为原始训练代码适配到AIACC-Traninig的一般过程。

AIACC-Training for MXNet支持Horovod API。适配AIACC-Training的方式与Horovod一致，如果您之前是使用Horovod进行分布式训练，只需替换import模块即可。替换后的内容如下：

import perseus.mxnet as hvd

如果您的训练代码是非分布式代码，可以参考以下操作步骤将训练代码升级为Horovod接口的分布式训练代码。

在main函数的开头部分，执行如下命令，初始化Perseus Horovod模块。
说明
请务必在使用其他Perseus API之前进行调用。
```
hvd.init()
```

将当前进程绑定对应的GPU卡。

# rank and size
rank = hvd.rank()
num_workers = hvd.size()
local_rank = hvd.local_rank()

# Horovod: pin GPU to local rank
context = mx.gpu(local_rank)

创建Optimizer。
通常情况下，模型的学习率需要增大hvd.size()倍。
说明
部分模型不需要增大学习率，如BERT模型，具体请根据训练收敛情况作判断。
```
learning_rate = ...
optimizer_params = {'learning_rate': learning_rate * hvd.size()}
opt = mx.optimizer.create(optimizer, **optimizer_params)
```

广播参数。

# Horovod: fetch and broadcast parameters
params = net.collect_params()
if params is not None:
    hvd.broadcast_parameters(params)

重载Optimizer。

# Horovod: create DistributedTrainer, a subclass of gluon.Trainer
trainer = hvd.DistributedTrainer(params, opt)

启动训练。
以4机8卡的训练为例，启动命令示例如下：
```
mpirun -np 32 -npernode 8 -hostfile mpi_host.txt  ./train.sh
```
其中，mpi_host.txt为普通的MPI machinefile，与MXNet的SSHLauncher的host file类似，简单示例如下：
```
192.168.0.1
192.168.0.2
192.168.0.3
192.168.0.4
```
开始训练之后，每个GPU都是一个单独的进程，有各自的输出。类比多机情况下每个机器的输出，总性能为所有单process性能的总和。

使用SyncBatchNorm

Perseus的SyncBatchNorm实现基于MXNet官方代码src/operator/contrib/sync_batch_norm-inl.h的计算逻辑，并通过加载libperseus_MXNet.so调用Perseus通信的API，在operator内部实现SyncBatchNorm，且支持单机local模式以及全局global模式。

背景信息

针对object-detection等小Batch Size场景，继续使用每个GPU单独的BatchNorm计算的mean和var信息有较大的偏差，会带来一定的精度损失。通过使用SyncBatchNorm可以弥补对统计信息的内部偏移，真正发挥理论上BN层的作用，即使在大规模分布式的情况下也能达到更高的期望精度。相较于原始BatchNorm，SyncBatchNorm能够在忽略某些训练性能的情况下，提高收敛精度的上限。

操作步骤

使用perseus-MXNet-sync-bn.patch补丁。
```
patch -p1 < perseus-mxnet-sync-bn.patch
```

编译MXNet源码。

make USE_OPENCV=1 USE_BLAS=openblas USE_CUDA=1 USE_CUDA_PATH=/usr/local/cuda USE_CUDNN=1 USE_DIST_KVSTORE=1 USE_NCCL=1 USE_LIBJPEG_TURBO=1 MPI_ROOT=/usr/local -j24

调用SyncBatchNorm模型。
Perseus的SyncBatchNorm实现基于原始MXNet官方代码，因此兼容SyncBatchNorm的原始使用方法，只需将名称从SyncBatchNorm修改为PerseusSyncBatchNorm，并增加参数comm_scope用于修改模式，如mx.gluon.contrib.nn.PerseusSyncBatchNorm(comm_scope=0), mx.sym.contrib.PerseusSyncBatchNorm(comm_scope=0)。
修改模式。
模式说明如下：
- local：局部平均，即每次forward、backward计算均值和方差后，只在单机内部的GPU上分别进行同步。默认为此模式，参数设置为PerseusSyncBatchNorm(comm_scope=0)。
- global：全局平均，即每次forward、backward计算的均值和方差在全局进行同步，需要修改BN定义的参数为PerseusSyncBatchNorm(comm_scope=1)。

测试精度

以单卡Batch Size为2，单机8卡的训练为例，使用基于GluonCV实现的Faster RCNN模型适配Perseus，然后进行原始BatchNorm与PerseusSyncBatchNorm的精度对比，测试效果图如下： aiacc-sbn

如上图所示，从第1个Epoch开始，到第20个Epoch结束，PerseusSyncBatchNorm达到的精度均高于BatchNorm，最高的mAP从31.3%提升至34.6%。

常见问题

额外显存占用问题

以单机8卡为例，0号卡被其余7个process均占用了200 MB到500 MB显存，从而导致0号卡显存被耗尽。

该问题的根因在于MXNet内部的cpu_pinned memory分配机制默认使用0号卡。您可以参考上文步骤2，重新绑定GPU卡。

运行时显示`Undefined symbols`

运行时显示NDArray相关的symbol没有定义，即Undefined symbols。

该问题由于pip安装了1.4之前版本的MXNet，导致没有导出libMXNet.so中对于Perseus必要的symbol。您可以将MXNet升级到1.4或以上版本，也可以重新编译安装MXNet。

启动速度较慢

您可以尝试以下方法改善该问题：

检查CPU的负载，若占比很高可尝试进行以下设置：

export MXNET_USE_OPERATOR_TUNING=0
export MXNET_USE_NUM_CORES_OPERATOR_TUNING=1
export OMP_NUM_THREADS=1

减小preprocess的线程数。
Perseus下训练模式为单process、单GPU，如果默认线程数设置过大，可以根据单节点的GPU数目，等比例缩小preprocess的线程数。例如preprocess的线程数默认值为24，而单节点GPU数目为8，那么您可以将preprocess的线程数降低为3或4。

单机时正常，多机时异常退出

可能是由于人为导致多机中存在正在运行训练的机器，则运行多机会发生create cusolver handle failed报错，您可以使用mpirun执行nvidia-smi检查多机中是否存在运行的机器。