[RFC] veScale: High-Level API for nD Parallel Training
@leonardo0lyj arbeitet bereits daran.
Seit 12.6.2024.
Bewertung
Dieses Issue wurde noch nicht bewertet.
Beschreibung
TL'DR
Motivation
Our current APIs for nD Parallel Training are low-level and are kind of complex for common users ... Ideally, we want a simpler API at a high level like this:
Single Device Code
dataset = ...
data_loader = torch.utils.data.DataLoader(dataset, ...)
class Net(nn.Module):
...
def optimizer_fn(model):
...
return torch.optim.Adam(model_param_groups, ...)
def lr_scheduler_fn(optimizer):
...
return torch.optim.lr_scheduler.StepLR(optimizer, ...)
model = Net(...)
optimizer = optimizer_fn(model)
scheduler = lr_scheduler_fn(optimizer)
for epoch in range(10):
for batch in data_loader:
optimizer.zero_grad()
loss = model(batch)
loss.backward()
optimizer.step()
scheduler.step()
torch.save(model.state_dict(), "/path/to/checkpoint")
torch.save(optimizer.state_dict(), "/path/to/checkpoint")
torch.save(scheduler.state_dict(), "/path/to/checkpoint")
veScale High-Level API for nD Parallel Training
dataset = ...
### zero code change on model
class Net(nn.Module):
...
def optimizer_fn(model):
...
return torch.optim.Adam(model_param_groups, ...)
def lr_scheduler_fn(optimizer):
...
return torch.optim.lr_scheduler.StepLR(optimizer, ...)
### create giant model without OOM
model = vescale.deferred_init(Net, ...)
### generate plan of nD parallel training under user constraints
# $ constraints = { "pipeline_parallel.split_method" : "flops",
# $ "tensor_parallel.sharding_policy" : "megatron" }
plan = vescale.generate_plan(constraints, model)
# $ print(plan)
# $ pipeline_parallel.split_points : ["layer1", "layer3", ...]
# $ tensor_parallel.sharding_plan : { "layer2.weight" : [Shard(dim=0)], ... }
### create nD parallel model and optimizer, specified by the plan
model, optimizer, scheduler, data_loader = vescale.parallelize(plan, model, optimizer_fn, lr_scheduler_fn, dataset)
### zero code change on training loop
for epoch in range(10):
for batch in data_loader:
optimizer.zero_grad()
### trains nD parallel model as if on single device
loss = model(batch)
loss.backward()
optimizer.step()
scheduler.step()
### saves nD parallel model and optimizer
vescale.save("/path/to/checkpoint", { "plan": plan, "model" : model, "optimizer" : optimizer, "lr_scheduler": scheduler })
Idea
- Single Device Abstraction for nD Parallel Training
- Common users can only see this high-level API
- Common users can only write <10 LoC in training scripts
- veScale handles all complexities under the hood (e.g., all low-level APIs)
- This is a unified API for nD parallelsim
- Take an nD parallel "Plan" (a.k.a. config)
- Create nD DeviceMesh
- Create each D of nD Parallel
- Support both Eager and Compile Mode
- This is a future-proof API
- can extend to future DeviceMesh
- can extend to future parallel (e.g., EP, CP, *P)
Feedbacks are all we need : )
- Vorherrschende Sprache
- Python
- Sterne
- 1k
- Forks
- 65
- Ø Merge
- 21 Std. 34 Min.
- Gemergte PRs (30 T.)
- 1
Entwicklungsumgebung
- Enthält ein Dockerfile oder eine Docker-Compose-Datei
- Keine Pull-Request-Vorlage
- Beitragsleitfaden lesen
Erste Schritte
- Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
- Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
- Forken Sie das Repository und arbeiten Sie in einem Branch.
- Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.
Mehr aus volcengine/veScale
-
Schwierigkeit 1/5 Unter einer Stunde Anfängerfreundlichkeit 12/100
volcengine/veScale#75 ·
-
Schwierigkeit 5/5 Über eine Woche Anfängerfreundlichkeit 10/100
volcengine/veScale#73 · 1 Kommentar · 3 Reaktionen ·
-
Schwierigkeit 5/5 Über eine Woche Anfängerfreundlichkeit 8/100
volcengine/veScale#72 · 5 Reaktionen ·
-
Schwierigkeit 3/5 1-2 Tage Anfängerfreundlichkeit 30/100
volcengine/veScale#68 ·
-
Schwierigkeit 5/5 Über eine Woche Anfängerfreundlichkeit 8/100
volcengine/veScale#65 ·
Alle Issues in volcengine/veScale
Ähnliche Issues
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 65/100
Deltares/numba_celltree#100 · 1 Kommentar ·
-
auto-reported bug
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 63/100
Maintainer antworten meist innerhalb von 1 Tag
-
soup airgap-bundle --bundle-size-cap nan, inf or a cap above ~1.67e299 GiB stops with an internal ValueError/OverflowError (exit 1) instead of a usage errorEvtl. vergeben @Keshemir hat das heute übernommen. Offenbug claimed difficulty:2
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 82/100
MakazhanAlpamys/Soup#3045 · 2 Kommentare ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 76/100
dagster-io/skills#80 ·
-
bug
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 78/100
Maintainer antworten meist innerhalb von 1 Tag