hfai.pl
Pytorch Lightning(简称 pl) 是在 PyTorch 基础上进行封装的库,它能帮助开发者脱离 PyTorch 一些繁琐的细节,专注于核心代码的构建,在 PyTorch 社区中备受欢迎。hfai.pl 是 high-flyer 对 pl 的进一步封装,能更加轻松的适配各种集群特性,带来更好的使用体验。本文将为大家详细介绍优化细节。
集群环境适配
若集群每个计算节点有 x 张 GPU。用户提交任务时需选定节点数量 N,则该任务可获得 N*x 个 GPU。每个进程中全局环境变量含义如下:
-
world_size (hfai): 节点数量,用 N 表示
-
rank (hfai): 节点 id,用 n 表示,n 属于 0 ~ N-1
-
local_rank (hfai): GPU id, 用 k 表示,k 属于 0 ~ x-1
与 PyTorch init_process_group 的变量有如下对应:
-
world_size (PyTorch): 进程数量,每个 GPU 对应一个进程,因此总进程数目为总 GPU 数目,计算方法为 N*x
-
rank (PyTorch): 进程 id,利用节点 id 和 GPU id 可以计算出进程的 id,计算方法为 n*x+k
在一般的 PyTorch 代码中,我们需要进行如下的分布式初始化:
ip = os.environ.get("MASTER_ADDR", "127.0.0.1")
port = os.environ.get("MASTER_PORT", "2223")
hosts = int(os.environ.get("WORLD_SIZE", 1)) # number of nodes
rank = int(os.environ.get("RANK", 0)) # node id
gpus = torc