BERT 预训练

注意: 2022 年 8 月 15 日,我们添加了另一个 BERT 预训练/微调示例,地址为 github.com/deepspeedai/Megatron-DeepSpeed/tree/main/examples_deepspeed/bert_with_pile,其中包含一个描述如何使用的 README.md 文件。与下述示例相比,Megatron-DeepSpeed 中的新示例增加了对 ZeRO 和张量切片模型并行(从而支持更大的模型规模)的支持,使用了公共且更丰富的 Pile 数据集(用户也可以使用自己的数据),并根据 这篇论文 对模型架构和训练超参数进行了一些更改。因此,通过新示例训练的 BERT 模型能够提供比原始 BERT 更好的 MNLI 结果,但模型架构略有不同,计算要求也更高。如果您想训练更大规模或更高质量的 BERT 风格模型,我们建议遵循 Megatron-DeepSpeed 中的新示例。如果您的目标是严格复现原始 BERT 模型,我们建议遵循 DeepSpeedExamples/bing_bert 下的示例(如下所述)。另一方面,无论您使用哪个 BERT 示例,下面的教程都将有助于解释如何将 DeepSpeed 集成到预训练代码库中。

在本教程中,我们将应用 DeepSpeed 来预训练 BERT(来自 Transformer 的双向编码器表示),该模型广泛用于许多自然语言处理 (NLP) 任务。BERT 的详细信息可在此处找到:BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

我们将介绍如何设置数据管道以及如何运行原始 BERT 模型。然后我们将逐步展示如何修改模型以利用 DeepSpeed。最后,我们将演示使用 DeepSpeed 带来的性能评估和内存使用量减少。

不使用 DeepSpeed 预训练 Bing BERT

我们基于 huggingface/transformersNVIDIA/DeepLearningExamples 的改编版本。我们已将此仓库 Fork 到 DeepSpeedExamples/bing_bert 下,并对其脚本进行了一些修改。

  • 我们采用了 NVIDIA BERT 在 bing_bert/nvidia/ 下的模型代码。
  • 我们扩展了 Project Turingbing_bert/turing/ 下的数据管道。

训练数据设置

注意: 下载和预处理说明即将发布。

下载 Wikipedia 和 BookCorpus 数据集,并在模型配置文件 DeepSpeedExamples/bing_bert/bert_large_adam_seq128.json 中指定它们的路径。

{
  ...
  "datasets": {
      "wiki_pretrain_dataset": "/data/bert/bnorick_format/128/wiki_pretrain",
      "bc_pretrain_dataset": "/data/bert/bnorick_format/128/bookcorpus_pretrain"
  },
  ...
}

运行 Bing BERT 模型

DeepSpeedExamples/bing_bert 目录下,运行

python train.py  \
    --cf bert_large_adam_seq128.json \
    --train_batch_size 64 \
    --max_seq_length 128 \
    --gradient_accumulation_steps 1  \
    --max_grad_norm 1.0 \
    --fp16 \
    --loss_scale 0 \
    --delay_allreduce \
    --max_steps 10 \
    --output_dir <path-to-model-output>

启用 DeepSpeed

要使用 DeepSpeed,我们需要编辑两个文件:

  • train.py:训练的主要入口点
  • utils.py:训练参数和检查点保存/加载实用程序

参数解析

我们首先需要使用 deepspeed.add_config_arguments() 将 DeepSpeed 的参数解析添加到 train.py。此步骤允许应用程序识别 DeepSpeed 特定的配置。

def get_arguments():
    parser = get_argument_parser()
    # Include DeepSpeed configuration arguments
    parser = deepspeed.add_config_arguments(parser)

    args = parser.parse_args()

    return args

初始化与训练

我们修改 train.py 以启用 DeepSpeed 训练。

初始化

我们使用 deepspeed.initialize() 创建模型、优化器和学习率调度器。对于 Bing BERT 模型,我们如下所示在其 prepare_model_optimizer() 函数中初始化 DeepSpeed,以传递原始模型和优化器(通过命令选项指定)。

def prepare_model_optimizer(args):
    # Loading Model
    model = BertMultiTask(args)

    # Optimizer parameters
    optimizer_parameters = prepare_optimizer_parameters(args, model)
    model.network, optimizer, _, _ = deepspeed.initialize(args=args,
                                         model=model.network,
                                         model_parameters=optimizer_parameters,
                                         dist_init_required=False)
    return model, optimizer

请注意,对于 Bing BERT,原始模型保存在 model.network 中,因此我们传递 model.network 作为参数,而不是仅仅传递 model。

训练

deepspeed.initialize 返回的 model 是 DeepSpeed 模型引擎,我们将使用它通过 forward、backward 和 step API 训练模型。由于模型引擎暴露了与 nn.Module 对象相同的正向传播 API,因此正向传播没有变化。因此,我们只修改反向传播和优化器/调度器步骤。

反向传播通过直接调用模型引擎的 backward(loss) 来执行。

# Compute loss
if args.deepspeed:
    model.network.backward(loss)
else:
    if args.fp16:
        optimizer.backward(loss)
    else:
        loss.backward()

DeepSpeed 引擎中的 step() 函数更新模型参数和学习率。在每次步骤后更新权重后,DeepSpeed 会自动处理梯度归零。

if args.deepspeed:
    model.network.step()
else:
    optimizer.step()
    optimizer.zero_grad()

检查点保存与加载

DeepSpeed 的模型引擎具有灵活的 API,用于检查点保存和加载,以处理客户端模型状态及其内部状态。

def save_checkpoint(self, save_dir, tag, client_state={})
def load_checkpoint(self, load_dir, tag)

train.py 中,我们如下所示在 checkpoint_model() 函数中使用 DeepSpeed 的检查点 API,我们在其中收集客户端模型状态并通过调用 save_checkpoint() 将它们传递给模型引擎。

def checkpoint_model(PATH, ckpt_id, model, epoch, last_global_step, last_global_data_samples, **kwargs):
    """Utility function for checkpointing model + optimizer dictionaries
       The main purpose for this is to be able to resume training from that instant again
    """
    checkpoint_state_dict = {'epoch': epoch,
                             'last_global_step': last_global_step,
                             'last_global_data_samples': last_global_data_samples}
    # Add extra kwargs too
    checkpoint_state_dict.update(kwargs)

    success = model.network.save_checkpoint(PATH, ckpt_id, checkpoint_state_dict)

    return

load_training_checkpoint() 函数中,我们使用 DeepSpeed 的加载检查点 API 并返回客户端模型的状态。

def load_training_checkpoint(args, model, PATH, ckpt_id):
    """Utility function for checkpointing model + optimizer dictionaries
       The main purpose for this is to be able to resume training from that instant again
    """

    _, checkpoint_state_dict = model.network.load_checkpoint(PATH, ckpt_id)

    epoch = checkpoint_state_dict['epoch']
    last_global_step = checkpoint_state_dict['last_global_step']
    last_global_data_samples = checkpoint_state_dict['last_global_data_samples']
    del checkpoint_state_dict
    return (epoch, last_global_step, last_global_data_samples)

DeepSpeed JSON 配置文件

使用 DeepSpeed 的最后一步是创建一个配置文件 JSON 文件(例如,deepspeed_bsz4096_adam_config.json)。此文件提供用户定义的 DeepSpeed 特定参数,例如每个 GPU 的批次大小、优化器及其参数,以及是否启用 FP16 训练。

{
  "train_batch_size": 4096,
  "train_micro_batch_size_per_gpu": 64,
  "steps_per_print": 1000,
  "optimizer": {
    "type": "Adam",
    "params": {
      "lr": 2e-4,
      "max_grad_norm": 1.0,
      "weight_decay": 0.01,
      "bias_correction": false
    }
  },
  "fp16": {
    "enabled": true,
    "loss_scale": 0,
    "initial_scale_power": 16
  }
}

特别是,这个示例 json 文件为 DeepSpeed 指定了以下配置参数:

  1. train_batch_size:使用有效批次大小 4096
  2. train_micro_batch_size_per_gpu:每个 GPU 有足够的内存瞬间容纳批次大小 64
  3. optimizer:使用 Adam 训练优化器
  4. fp16:启用 FP16 混合精度训练,初始损失比例因子为 2^16。

就是这样!这是您为了使用 DeepSpeed 而需要做的所有修改。我们已经包含了一个名为 DeepSpeedExamples/bing_bert/deepspeed_train.py 的修改过的 train.py 文件,其中包含了所有更改。

启用 DeepSpeed 的 Transformer Kernel

为了实现更高的性能,首先在 utils.py 中添加一个参数 --deepspeed_transformer_kernel,我们可以将其默认设置为 False,以便于开启/关闭。

 parser.add_argument('--deepspeed_transformer_kernel',
                     default=False,
                     action='store_true',
                     help='Use DeepSpeed transformer kernel to accelerate.')

然后在建模源文件的 BertEncoder 类中,如下所示使用 DeepSpeed Transformer Kernel 实例化 Transformer 层。

     if args.deepspeed_transformer_kernel:
         from deepspeed import DeepSpeedTransformerLayer, DeepSpeedTransformerConfig, DeepSpeedConfig

         if hasattr(args, 'deepspeed_config') and args.deepspeed_config:
             ds_config = DeepSpeedConfig(args.deepspeed_config)
         else:
             raise RuntimeError('deepspeed_config is not found in args.')

         cuda_config = DeepSpeedTransformerConfig(
             batch_size = ds_config.train_micro_batch_size_per_gpu,
             max_seq_length = args.max_seq_length,
             hidden_size = config.hidden_size,
             heads = config.num_attention_heads,
             attn_dropout_ratio = config.attention_probs_dropout_prob,
             hidden_dropout_ratio = config.hidden_dropout_prob,
             num_hidden_layers = config.num_hidden_layers,
             initializer_range = config.initializer_range,
             local_rank = args.local_rank if hasattr(args, 'local_rank') else -1,
             seed = args.seed,
             fp16 = ds_config.fp16_enabled,
             pre_layer_norm=True,
             attn_dropout_checkpoint=args.attention_dropout_checkpoint,
             normalize_invertible=args.normalize_invertible,
             gelu_checkpoint=args.gelu_checkpoint,
             stochastic_mode=True)

         layer = DeepSpeedTransformerLayer(cuda_config)
     else:
         layer = BertLayer(config)
     self.layer = nn.ModuleList([copy.deepcopy(layer) for _ in range(config.num_hidden_layers)])

所有配置设置都来自 DeepSpeed 配置文件和命令行参数,因此我们必须将 args 变量传递到此模型中。

注意

  1. batch_size 是输入数据的最大批次大小,所有微调训练数据或预测数据都不应超过此阈值,否则将抛出异常。在 DeepSpeed 配置文件中,微批次大小定义为 train_micro_batch_size_per_gpu,例如,如果它设置为 8 且预测使用批次大小 12,我们可以使用 12 作为 transformer kernel 批次大小,或者使用 “–predict_batch_size” 参数将预测批次大小设置为 8 或更小的数字。
  2. DeepSpeedTransformerConfig 中的 local_rank 用于将 transformer kernel 分配给正确的设备。由于模型在此之前已经运行了 set_device(),因此无需在此处设置。
  3. stochastic_mode 在启用时性能更高,我们在预训练中启用它,在微调中禁用它。
  4. Transformer Kernel 有其自己的参数,因此使用 Transformer Kernel 生成的检查点文件必须由启用了 Transformer Kernel 的模型加载(例如在微调中)。

有关 Transformer Kernel 的更多详细信息,请参阅DeepSpeed Transformer KernelDeepSpeed Fastest-Bert Training

开始训练

在一个包含四个节点、每个节点带四个 GPU 的系统上启动 deepspeed_train.py 的示例如下:

deepspeed --num_nodes 4  \
    deepspeed_train.py \
    --deepspeed \
    --deepspeed_config  deepspeed_bsz4096_adam_config.json \
    --cf /path-to-deepspeed/examples/tests/bing_bert/bert_large_adam_seq128.json \
    --train_batch_size 4096  \
    --max_seq_length 128 \
    --gradient_accumulation_steps 4 \
    --max_grad_norm 1.0 \
    --fp16 \
    --loss_scale 0 \
    --delay_allreduce \
    --max_steps 32 \
    --print_steps 1 \
    --deepspeed_transformer_kernel \
    --output_dir <output_directory>

有关启动 DeepSpeed 的更多信息,请参阅入门指南。


使用 DeepSpeed 复现最快 BERT 训练结果

我们在 BERT 训练时间方面达到了最快,同时在 SQUAD 1.1 开发集上取得了 90.5 或更高 F1 分数的行业竞争力。请遵循 BERT 微调教程,对您通过 transformer kernel 预训练的模型进行微调,并复现 SQUAD F1 分数。

  • 我们使用 1024 块 V100 GPU(64 个 NVIDIA DGX-2 节点)在 44 分钟内完成了 BERT 预训练。相比之下,NVIDIA 此前的 SOTA 使用 1472 块 V100 GPU 耗时 47 分钟。DeepSpeed 不仅更快,而且资源使用量减少了 30%。使用相同的 1024 块 GPU,NVIDIA BERT 比 DeepSpeed 慢 52%,训练耗时 67 分钟。
  • 与 Google 原始 BERT 训练时间相比,它在 64 个 TPU2 芯片上耗时约 96 小时才达到同等水平,而我们在 4 个 DGX-2 节点(64 个 V100 GPU)上训练不到 9 小时。
  • 在 256 块 GPU 上,我们耗时 2.4 小时,比 NVIDIA 在相同数量 GPU(链接)上使用其 superpod 达到的 SOTA 结果(3.9 小时)更快。
节点数 V100 GPU 数量 时间
1 DGX-2 16 33 小时 13 分钟
4 DGX-2 64 8 小时 41 分钟
16 DGX-2 256 144 分钟
64 DGX-2 1024 44 分钟

我们上面 BERT 训练结果的配置可以通过 DeepSpeedExamples 仓库中的脚本/json 配置文件复现。下表总结了配置。具体请参阅 DeepSpeedExamplesds_train_bert_bsz64k_seq128.shds_train_bert_bsz32k_seq512.sh 脚本以获取更多详细信息。

参数 128 序列 512 序列
总批次大小 64K 32K
每个 GPU 的训练微批次大小 64 8
优化器 Lamb Lamb
学习率 11e-3 2e-3
初始学习率 (lr_offset) 10e-4 0.0
最小 Lamb 系数 0.01 0.01
最大 Lamb 系数 0.3 0.3
学习率调度器 warmup_exp_decay_exp warmup_exp_decay_exp
热身比例 0.02 0.02
衰减率 0.90 0.90
衰减步数 250 150
最大训练步数 7500 7500
重新热身学习率 不适用
输出检查点编号 150 160-162
样本数 4.03 亿 1800 万-2200 万
纪元数 150 160-162

DeepSpeed 单 GPU 吞吐量结果

DeepSpeed Single GPU Bert Training Throughput 128

DeepSpeed Single GPU Bert Training Throughput 512

与 SOTA 相比,DeepSpeed 显著提升了基于 Transformer 的模型(如 BERT)的单 GPU 性能。上图显示了通过 DeepSpeed 优化的 BertBERT-Large 训练的单 GPU 吞吐量,与两个著名的 PyTorch 实现(NVIDIA BERT 和 HuggingFace BERT)进行了比较。DeepSpeed 在序列长度为 128 和 512 时分别达到了高达 64 和 53 teraflops 的吞吐量(对应于 272 和 52 个样本/秒),比 NVIDIA BERT 提高了 28%,比 HuggingFace BERT 提高了 62%。我们还支持高达 1.8 倍的更大批次大小而不会出现内存不足。

有关我们如何实现破纪录的 BERT 训练时间的更多详细信息,请查看深入了解 DeepSpeed BERT 的 最快 BERT 训练

更新: