使用 Pytorch Lightning DDP 时记录事情的正确方法

如何解决使用 Pytorch Lightning DDP 时记录事情的正确方法

我想知道在使用 DDP 时记录指标的正确方法是什么。我注意到如果我想在 validation_epoch_end 内打印一些东西，它会在使用 2 个 GPU 时打印两次。我希望 validation_epoch_end 仅在 rank 0 上被调用并接收来自所有 GPU 的输出，但我不确定这是否正确。因此我有几个问题：

1. validation_epoch_end(self,outputs) - 当使用 DDP 时，每个子进程是接收当前 GPU 处理的数据还是所有 GPU 处理的数据，即输入参数 outputs 是否包含整个验证集的输出，从所有 GPU？
2. 如果 outputs 是 GPU/进程特定的，那么在使用 DDP 时计算 validation_epoch_end 中整个验证集的任何指标的正确方法是什么？

我知道我可以通过检查 self.global_rank == 0 和打印/记录仅在这种情况下解决打印问题，但是我试图更深入地了解在这种情况下我正在打印/记录的内容。

这是我的用例中的代码片段。我希望能够报告整个验证数据集的 f1、精度和召回率，我想知道在使用 DDP 时正确的做法是什么。

    def _process_epoch_outputs(self,outputs: List[Dict[str,Any]]
                               ) -> Tuple[torch.Tensor,torch.Tensor]:
        """Creates and returns tensors containing all labels and predictions

        Goes over the outputs accumulated from every batch,detaches the
        necessary tensors and stacks them together.

        Args:
            outputs (List[Dict])
        """
        all_labels = []
        all_predictions = []

        for output in outputs:
            for labels in output['labels'].detach():
                all_labels.append(labels)

            for predictions in output['predictions'].detach():
                all_predictions.append(predictions)

        all_labels = torch.stack(all_labels).long().cpu()
        all_predictions = torch.stack(all_predictions).cpu()

        return all_predictions,all_labels

    def validation_epoch_end(self,Any]]) -> None:
        """Logs f1,precision and recall on the validation set."""

        if self.global_rank == 0:
            print(f'Validation Epoch: {self.current_epoch}')

        predictions,labels = self._process_epoch_outputs(outputs)
        for i,name in enumerate(self.label_columns):

            f1,prec,recall,t = metrics.get_f1_prec_recall(predictions[:,i],labels[:,threshold=None)
            self.logger.experiment.add_scalar(f'{name}_f1/Val',f1,self.current_epoch)
            self.logger.experiment.add_scalar(f'{name}_Precision/Val',self.current_epoch)
            self.logger.experiment.add_scalar(f'{name}_Recall/Val',self.current_epoch)

            if self.global_rank == 0:
                print((f'F1: {f1},Precision: {prec},'
                       f'Recall: {recall},Threshold {t}'))

解决方法

问题

validation_epoch_end(self,outputs) - 当使用 DDP 时每 subprocess接收当前GPU处理的数据或数据 从所有 GPU 处理，即输入参数输出 包含来自所有 GPU 的整个验证集的输出？

仅从当前 GPU 处理的数据，输出不同步，只有 backward 同步（梯度在训练期间同步并分发到驻留在每个 GPU 上的模型副本）。

想象一下，所有的输出都是从 1000 GPU 传递给这个可怜的 master，它很容易给它一个 OOM

如果输出是 GPU/进程特定的，那么正确的计算方法是什么 在validation_epoch_end 中的整个验证集上的任何指标，当 使用 DDP？

根据documentation（强调我的）：

使用从每个批次拆分数据的加速器进行验证时 跨 GPU，有时您可能需要在 ma​​ster 上聚合它们 GPU 用于处理（dp 或 ddp2）。

这是随附的代码（在这种情况下，validation_epoch_end 会从单个步骤接收跨多个 GPU 的累积数据，也请参阅评论）：

# Done per-process (GPU)
def validation_step(self,batch,batch_idx):
    x,y = batch
    y_hat = self.model(x)
    loss = F.cross_entropy(y_hat,y)
    pred = ...
    return {'loss': loss,'pred': pred}

# Gathered data from all processes (per single step)
# Allows for accumulation so the whole data at the end of epoch
# takes less memory
def validation_step_end(self,batch_parts):
    gpu_0_prediction = batch_parts.pred[0]['pred']
    gpu_1_prediction = batch_parts.pred[1]['pred']

    # do something with both outputs
    return (batch_parts[0]['loss'] + batch_parts[1]['loss']) / 2

def validation_epoch_end(self,validation_step_outputs):
   for out in validation_step_outputs:
       # do something with preds

提示

专注于每台设备的计算和尽可能少的 GPU 间传输

• 在 validation_step 内（或 training_step，如果这是您想要的，这是通用的）计算 f1、precision、recall 和其他任何东西 按批次计算
• 返回这些值（例如，作为字典）。现在，您将从每个设备返回 3 个数字，而不是 (batch,outputs)（可能更大）
• 在 validation_step_end 中获取这些 3 值（如果您有 2 个 GPU，实际上是 (2,3)）并对它们求和/取平均值并返回 3 值
• 现在 validation_epoch_end 将获得可用于累积的 (steps,3) 值

如果不是在 validation_epoch_end 期间操作值列表，而是将它们累积在另一个 3 值中会更好（假设您有很多验证步骤，列表可能会变得太大)，但这应该足够了。

AFAIK PyTorch-Lightning 不会这样做（例如，不是添加到 list，而是直接应用一些累加器），但我可能会弄错，因此任何更正都会很棒。