Accelerate

Accelerate fornece uma interface unificada para backends de treinamento distribuído, como FSDP ou DeepSpeed. Ele detecta seu ambiente (número de GPUs, backend distribuído, precisão mista, etc.) e configura automaticamente o treinamento, seja em 1 GPU com DDP ou em 8 GPUs com FSDP.

O Accelerate envolve o modelo no wrapper distribuído apropriado, move-o para o dispositivo correto e cria um otimizador compatível. Durante o treinamento, o Accelerate usa seu próprio método backward para lidar com o escalonamento de gradientes para precisão mista. O Trainer chama as APIs apropriadas do Accelerate e delega toda a mecânica distribuída ao Accelerate.

Configure o Accelerate para o Trainer com um arquivo de configuração do Accelerate ou TrainingArguments.

Arquivo de configuração do Accelerate

Execute o comando accelerate config e responda às perguntas sobre seu hardware e configuração de treinamento. Isso cria um arquivo default_config.yaml no seu cache. O exemplo abaixo é para FSDP.

compute_environment: LOCAL_MACHINE
distributed_type: FSDP
fsdp_config:
  fsdp_version: 2
  fsdp_reshard_after_forward: true
  fsdp_cpu_offload: false
  fsdp_auto_wrap_policy: TRANSFORMER_BASED_WRAP
  fsdp_cpu_ram_efficient_loading: true
  fsdp_activation_checkpointing: false
  fsdp_state_dict_type: SHARDED_STATE_DICT
  fsdp_transformer_layer_cls_to_wrap: LlamaDecoderLayer
mixed_precision: bf16
num_machines: 1
num_processes: 4

Execute accelerate launch com um script baseado em Trainer, e o Accelerate lê o arquivo de configuração para configurar o treinamento. Os argumentos fsdp_config e deepspeed são desnecessários, pois o arquivo de configuração do Accelerate cobre as mesmas configurações.

accelerate launch train.py

O accelerator_config aceita configurações que não possuem argumentos de nível superior dedicados. Por exemplo, defina non_blocking=True junto com dataloader_pin_memory() para sobrepor a transferência de dados com o cálculo, obtendo maior throughput na GPU.

from transformers import TrainingArguments

TrainingArguments(
    ...,
    dataloader_pin_memory=True,
    accelerator_config={
        "non_blocking": True,
    },
)

TrainingArguments

Passe uma configuração específica do backend para TrainingArguments. O método create_accelerator_and_postprocess() lê as configurações e configura o treinamento.

from transformers import TrainingArguments

TrainingArguments(
    ...,
    fsdp=True,
    fsdp_config="path/to/fsdp.json",
)

from transformers import TrainingArguments

TrainingArguments(
    ...,
    deepspeed="path/to/ds_config.json",
)

from transformers import TrainingArguments

TrainingArguments(
    ...,
    ddp_backend="nccl",
    ddp_find_unused_parameters=False,
    ddp_bucket_cap_mb=25,
    ddp_timeout=1800,
)

Próximas etapas

• Consulte DDP para treinamento paralelo de dados quando o seu modelo couber em uma única GPU.
• Consulte FSDP para particionar parâmetros, gradientes e estados do otimizador entre GPUs.
• Consulte DeepSpeed para otimização ZeRO e offloading.