人工智能深度学习分布式训练【免费下载链接】accelerate A simple way to launch, train, and use PyTorch models on almost any device and distributed configuration, automatic mixed precision (including fp8), and easy-to-configure FSDP and DeepSpeed support项目地址https://gitcode.com/gh_mirrors/ac/accelerate点击查看免费下载导读TPUTensor Processing Unit是为高效训练而专门设计的定制硬件Hugging Face Accelerate 对 TPU 提供了完整支持但 TPU 的 XLA 图编译机制决定了它与多卡 GPU 训练存在本质差异。本篇指南以官方基础教程为核心系统讲解在 Accelerate 中运行 TPU 训练的三类关键问题如何规避图重编译带来的性能陷阱、如何正确处理模型迁移到 TPU 后的权重绑定weight tying失效问题以及如何在 TPU 上配置 bf16 混合精度与笔记本Notebook环境下的训练规范。读完本文你将掌握一套可直接落地到 TPU v3/v4/v5 及 TPU Pod 环境的训练脚本编写与调优方案。图编译Graph CompilationTPU 训练性能的第一道门槛TPU 与传统 GPU 最大的区别在于执行模型它会将训练步骤中的全部运算前向传播、反向传播、优化器更新一次性构造成一张计算图再由 XLA 编译器编译后执行。这意味着第一个训练步骤必然缓慢因为此时需要完成整张计算图的构建与编译编译完成后会被缓存之后的每一个训练步骤都会复用已编译的图速度显著提升。因此TPU 训练的第一原则是——绝对避免触发代码的重复编译否则训练会变得异常缓慢。要做到这一点训练循环中的所有运算必须严格保持一致批次内所有张量的长度必须相同例如 NLP 任务中不能使用动态 paddingdynamic padding因为不同长度的张量会产生不同的计算图从而强制 XLA 反复重新编译代码必须是静态的例如不要编写依赖输入长度而变化的循环如不同序列长度下循环次数不同的 LSTM 层这类动态控制流同样会破坏图的稳定性。从 Accelerate 源码结构看TPU 的启动环境准备集中在 src/accelerate/utils/launch.py 的prepare_tpu函数中它负责为 XLA 运行设置正确的环境变量而 Colab 场景下torch_xla的安装则由 src/accelerate/utils/torch_xla.py 中的install_xla工具处理仅在 Google Colaboratory 中生效。权重绑定Weight Tying迁移到 TPU 后必须手动恢复在语言模型中一个常见的参数共享设计是将 embedding 层与 softmax 输出层的权重绑定以显著减少参数量。然而当模型被移动到 TPU 时——无论是你手动执行model.to(...)还是把它交给~Accelerator.prepare方法——权重绑定都会被破坏需要重新绑定。要在脚本中为 TPU 添加这类特殊行为例如权重绑定标准写法是先通过accelerator.distributed_type判断当前是否为 TPU 分布式类型即DistributedType.TPU然后调用transformers中PreTrainedModel的tie_weights方法重新建立绑定if accelerator.distributed_type DistributedType.TPU: model.tie_weights()这段代码应放在accelerator.prepare()之后执行因为prepare阶段的设备迁移/分片正是破坏权重绑定的根源。深入实践笔记本环境下 TPU 训练的三个关键点官方基础教程明确指出TPU 训练与多卡 GPU 训练存在微妙差异。以下内容均可在与教程配套的进阶指南 docs/source/concept_guides/training_tpu.md 中找到完整论述。1. Forking 与 Spawning笔记本启动方式的本质区别在 Jupyter Notebook 中训练 TPU 时需要使用notebook_launcher。与命令行启动spawning即从零启动一个新的 Python 进程不同笔记本已经占用了当前 Python 进程只能通过forking从现有进程 fork 出子进程来运行训练代码。这一点直接影响到模型的声明方式在 fork 出的 TPU 进程中官方推荐只实例化一次模型然后作为参数传入训练函数。这与 GPU 训练创建n份模型副本、在特定时刻同步梯度不同——TPU 上所有节点共享同一个模型实例并在节点间传递。这一实践在 Kaggle Kernel 或 Google Colaboratory 这类低资源 TPU 上尤其重要def training_function(): # Initialize accelerator accelerator Accelerator() model AutoModelForSequenceClassification.from_pretrained(bert-base-cased, num_labels2) train_dataloader, eval_dataloader create_dataloaders( train_batch_sizehyperparameters[train_batch_size], eval_batch_sizehyperparameters[eval_batch_size] ) # Instantiate optimizer optimizer AdamW(paramsmodel.parameters(), lrhyperparameters[learning_rate]) # Prepare everything model, optimizer, train_dataloader, eval_dataloader accelerator.prepare( model, optimizer, train_dataloader, eval_dataloader ) num_epochs hyperparameters[num_epochs] for epoch in range(num_epochs): model.train() for step, batch in enumerate(train_dataloader): outputs model(**batch) loss outputs.loss accelerator.backward(loss) optimizer.step() optimizer.zero_grad()from accelerate import notebook_launcher notebook_launcher(training_function)注意当 Accelerate 已配置为 TPU 时notebook_launcher默认使用 8 个进程。2. 低资源 TPU 的 SIGSEGV 崩溃模型应声明在训练函数之外如果沿用上面的写法、把模型声明放在训练函数内部在低资源系统上可能会遇到这样一个极其隐晦的错误ProcessExitedException: process 0 terminated with signal SIGSEGV其本质原因是系统 RAM 耗尽fork 子进程复制了部分内存结构。规避办法是重构训练函数让它接收一个model参数并在外部单元格中完成模型声明# In another Jupyter cell model AutoModelForSequenceClassification.from_pretrained(bert-base-cased, num_labels2) def training_function(model): # Initialize accelerator accelerator Accelerator() - model AutoModelForSequenceClassification.from_pretrained(bert-base-cased, num_labels2) train_dataloader, eval_dataloader create_dataloaders( train_batch_sizehyperparameters[train_batch_size], eval_batch_sizehyperparameters[eval_batch_size] ) ...调用时相应改为from accelerate import notebook_launcher - notebook_launcher(training_function) notebook_launcher(training_function, (model,))适用范围说明该方案仅在从低资源服务器如 Colab、Kaggle的 Jupyter Notebook 启动 TPU 实例时需要若使用脚本运行或在资源充足的服务上启动则无需预先声明模型。3. 训练时间偏慢的真相显存分配与批次大小TPU 训练还有一个常见观感脚本启动初期异常缓慢。这是因为 TPU 会先运行几个 batch 的数据探测需要分配多少内存之后才会以极高的效率使用这份已配置好的内存分配方案。如果你的评估代码计算指标因使用了更大的 batch size 而导致耗时过长官方建议保持评估 batch size 与训练数据一致否则内存会在最初几轮迭代后重新按新 batch size 分配。需要特别留意的是内存被分配并不代表它一定会被使用也不会在切回训练 dataloader 时自动增大 batch size。bf16 混合精度与全局环境变量TPU 上的两层精度控制TPU 上同时支持 fp16 与 bf16详细原理可参考 docs/source/concept_guides/low_precision_training.md但理想选择是 bf16因为它在 TPU 上执行效率极高。在 Accelerate 中TPU 的 bf16 配置分为“基础层”与“运算层”两层。基础层mixed_precisionbf16accelerator Accelerator(mixed_precisionbf16)默认情况下这会将torch.float和torch.double在 TPU 上转换为bfloat16。其底层实现是设置环境变量XLA_USE_BF161——这一点可以从 src/accelerate/state.py 的AcceleratorState初始化逻辑中得到源码级验证当分布式类型为DistributedType.XLA且mixed_precision bf16时若未开启 downcast代码会写入os.environ[XLA_USE_BF16] 1与os.environ[XLA_DOWNCAST_BF16] 0。运算层downcast_bf16True进一步的精细配置是设置XLA_DOWNCAST_BF16环境变量。当它为1时精度策略变为torch.float→bfloat16torch.double→float32。在Accelerator中通过downcast_bf16True开启accelerator Accelerator(mixed_precisionbf16, downcast_bf16True)对照 src/accelerate/state.py该分支会写入XLA_USE_BF160、XLA_DOWNCAST_BF161。为什么需要这种“降级”而非全量 bf16因为当你计算指标、记录日志等操作时原始的 bf16 张量精度过低无法直接使用downcasting 恰好解决了这一场景。约束条件downcast_bf16仅在与mixed_precisionbf16且运行在 TPU 上时合法。源码在 src/accelerate/accelerator.py 中显式校验了这一前提——若mixed_precision不是bf16、同时state.downcast_bfloat为真且分布式类型不是DistributedType.XLA会抛出ValueError: Can only use downcast_bf16 when using mixed_precisionbf16 and on a TPU。命令行与配置文件的对应入口除了代码内传参两种方式都可以通过accelerate launch的命令行参数或accelerate config交互式配置生成命令行参数--downcast_bf16定义于 src/accelerate/commands/launch.py其生效逻辑位于 src/accelerate/utils/launch.py 的prepare_tpu开启时设置XLA_DOWNCAST_BF161否则设置XLA_USE_BF161交互式配置向导中src/accelerate/commands/config/cluster.py 会询问“Shouldtorch.floatbe cast asbfloat16andtorch.doubleremainfloat32on TPUs?”并把结果写入downcast_bf16字段最终落盘为default配置中的布尔选项对应 src/accelerate/commands/config/config_args.py 的downcast_bf16: bool False。仓库内的实战参考TPU 上的 FSDPv2 微调示例为了将上述理论落到真实训练场景仓库提供了一个完整示例 examples/finetune_lm_tpu.py它展示了在 TPU v5 litepod-8 上使用 FSDPv2、TRL 与 PEFT 微调 Llama 的完整流程。其中多个细节与本文主题直接呼应脚本启动前调用xr.use_spmd()启用 SPMDFSDPv2 的硬性要求加载模型时设置torch_dtypetorch.bfloat16与low_cpu_mem_usageTrue、device_mapNone把设备放置完全交给 FSDP避免破坏权重绑定FSDP 配置中明确开启xla: True、xla_fsdp_v2: True、xla_fsdp_grad_ckpt: True训练参数中dataloader_drop_lastTrueFSDPv2 要求批次形状完全一致正与本文“保持张量长度一致”的编译原则呼应、gradient_checkpointingFalseTPU 上不支持。仓库测试侧同样保留了 TPU 相关支持例如 tests/xla_spawn.py 提供了 XLA 场景下的进程启动辅助逻辑可作为理解 TPU 启动流程的补充阅读材料。小结TPU 训练三条黄金法则保持计算图稳定批次内张量长度必须一致、代码保持静态避免触发 XLA 重复编译否则训练会异常缓慢正确处理特殊行为accelerator.prepare会破坏 embedding/softmax 权重绑定务必在distributed_type DistributedType.TPU时重新调用model.tie_weights()善用 bf16 双层次配置优先mixed_precisionbf16对应XLA_USE_BF16指标计算等场景叠加downcast_bf16True对应XLA_DOWNCAST_BF16并通过accelerate config/--downcast_bf16保持命令行与代码行为一致。如需进一步了解 TPU 训练的完整最佳实践可继续阅读进阶指南 docs/source/concept_guides/training_tpu.md 与 Notebook 启动规范 docs/source/basic_tutorials/notebook.md。赞分享人工智能深度学习分布式训练【免费下载链接】accelerate A simple way to launch, train, and use PyTorch models on almost any device and distributed configuration, automatic mixed precision (including fp8), and easy-to-configure FSDP and DeepSpeed support项目地址https://gitcode.com/gh_mirrors/ac/accelerate点击查看免费下载相关推荐在 TPU 上训练 PyTorch 模型Accelerate 的 Notebook 启动、bf16 混合精度与性能实践指南在 TPU 上训练 PyTorch 模型Accelerate 的 Notebook 启动、bf16 混合精度与性能实践指南 本指南以 docs/source/人工智能深度学习分布式训练DeepSpeed混合精度训练FP16/BF16实战DeepSpeed混合精度训练FP16/BF16实战 引言混合精度训练的痛点与解决方案 你是否在训练深度学习模型时遇到过显存不足的问题是否因训练速度过慢而人工智能大模型深度学习分布式训练预训练强化学习模型优化Transformers 混合精度训练完全指南bf16 / fp16 / tf32 的配置与底层实现Transformers 混合精度训练完全指南bf16 / fp16 / tf32 的配置与底层实现 本篇技术指南以 Transformers 官方文档 mi人工智能深度学习机器学习预训练微调NLP计算机视觉语音多模态上一篇解读 Sails 官方路线图社区提案流程、待定特性与源码演进对照下一篇CS Demo Manager专业级CS比赛录像分析工具终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考