CN112884086B - 模型训练方法、装置、设备、存储介质以及程序产品 - Google Patents

Abstract

本公开提供了一种模型训练方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，尤其是深度学习技术领域。该方法的一具体实施方式包括：获取训练样本集；从预设的并行策略集合中开启至少一个并行策略的开关，其中，并行策略集合中的每个并行策略对应设置有开关；利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。该实施方式提供了一种混合并行策略，灵活支持不同并行策略的任务组合来并行训练模型，提高了模型的训练速度。

Description

模型训练方法、装置、设备、存储介质以及程序产品

技术领域

本公开涉及人工智能领域，尤其是深度学习技术领域，尤其涉及模型训练方法、装置、设备、存储介质以及程序产品。

背景技术

随着大数据浪潮的推动与深度学习技术的长足发展，深度学习所涉及的数据规模与模型规模都发生了惊人的增长。大数据+大模型的双重挑战，是单机训练无法承受之重。目前，一般采用分布式训练技术从本质上解决日益提高的数据规模与模型复杂度所带来的训练问题。

发明内容

本公开实施例提出了一种模型训练方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种模型训练方法，包括：获取训练样本集；从预设的并行策略集合中开启至少一个并行策略的开关，其中，并行策略集合中的每个并行策略对应设置有开关；利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。

第二方面，本公开实施例提出了一种模型训练装置，包括：获取模块，被配置成获取训练样本集；开启模块，被配置成从预设的并行策略集合中开启至少一个并行策略的开关，其中，并行策略集合中的每个并行策略对应设置有开关；训练模块，被配置成利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。

第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的模型训练方法、装置、设备、存储介质以及程序产品，并行策略集合中的每个并行策略对应设置有开关，使得用户能够根据业务情况选择每个并行策略的任意开启或关闭。针对在不同硬件上训练千亿规模模型，不同并行策略在不同硬件上遇到的瓶颈不同。针对显存和通信的瓶颈，来选择不同的并行策略。提供了一种混合并行策略，灵活支持不同并行策略的任务组合来并行训练模型，提高了模型的训练速度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的模型训练方法的一个实施例的流程图；

图2是基于分片数据并行策略的模型训练方法的一个实施例的流程图；

图3是分片数据并行策略的一个示意图；

图4是分片数据并行策略的又一个示意图；

图5是分片数据并行策略的另一个示意图；

图6是基于流水线并行策略的模型训练方法的一个实施例的流程图；

图7是流水线并行策略的一个示意图；

图8是流水线并行策略的一个时序图；

图9是基于模型并行策略的模型训练方法的一个实施例的流程图；

图10是基于数据并行策略的模型训练方法的一个实施例的流程图；

图11是可以实现本公开实施例的模型训练方法的应用场景图。

图12是根据本公开的模型训练装置的一个实施例的结构示意图；

图13是用来实现本公开实施例的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的模型训练方法的一个实施例的流程100。该模型训练方法包括以下步骤：

步骤101，获取训练样本集。

在本实施例中，模型训练方法的执行主体可以针对所要训练得到的模型获取对应的训练样本集。其中，训练样本集可以包括大量训练样本。训练样本的具体内容可以根据所要训练得到的模型的功能所确定，包括但不限于文本、图像、音频、视频等。例如，对于图像分类模型，其训练样本是图像。又例如，对于语言模型，其训练样本是文本。本公开所述的模型训练方法适用于上述所有类型或其任意组合的训练样本集。

步骤102，从预设的并行策略集合中开启至少一个并行策略的开关。

在本实施例中，上述执行主体可以从预设的并行策略集合中开启至少一个并行策略的开关。其中，并行策略集可以包括多个不同的并行策略，且每个并行策略对应设置有开关。用户可以根据业务情况选择开启或关闭。针对在不同硬件上训练千亿规模模型，不同并行策略在不同硬件上遇到的瓶颈不同。针对显存和通信的瓶颈，来选择不同的并行策略。

通常，并行策略集合可以包括但不限于：数据并行策略(DP)、流水线并行策略(PP)、分片数据并行策略(Sharding-DP)和模型并行策略(MP)等等。其中，数据并行策略可以在每个设备上都存储一个初始模型的备份，在各个设备上处理训练样本集的不同部分，从而实现超大规模数据的模型训练。流水线并行策略支持将初始模型的不同网络层放置到不同的设备上，以降低单个设备的显存消耗，从而实现超大规模模型训练。分片数据并行策略在分片并行的基础上再增加一层数据并行逻辑，组间数据并行，组内广播参数，从而降低通信量，减少跨设备数，提高模型的训练速度。模型并行策略将初始模型的某一网络层切成多份分给不同的设备并行计算。由于初始模型的一部分只能在任何单个设备上运行，因此一组设备可以共同为更大的模型服务。

需要说明的是，流水线并行策略和模型并行策略的差异在于流水线并行策略是按照网络层粒度进行切分。而模型并行策略是按照算子粒度进行切分，也就是会出现同一网络层交由不同GPU(Graphics Processing Unit，图形处理器)上进行计算的情况。

步骤103，利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。

在本实施例中，上述执行主体可以利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。具体地，利用开关开启的至少一个并行策略，并行处理训练样本集和/或初始模型，调整初始模型的参数。经过多轮迭代训练，直至初始模型训练完成。

本公开实施例提供的模型训练方法，并行策略集合中的每个并行策略对应设置有开关，使得用户能够根据业务情况选择每个并行策略的任意开启或关闭。针对在不同硬件上训练千亿规模模型，不同并行策略在不同硬件上遇到的瓶颈不同。针对显存和通信的瓶颈，来选择不同的并行策略。提供了一种混合并行策略，灵活支持不同并行策略的任务组合来并行训练模型，提高了模型的训练速度。

继续参考图2，其示出了基于分片数据并行策略的模型训练方法的一个实施例的流程200。该基于分片数据并行策略的模型训练方法包括以下步骤：

步骤201，按照数据并行度将第一设备分组，得到多个第一设备组。

在本实施例中，基于分片数据并行策略的模型训练方法的执行主体可以按照数据并行度(dp_degree)将第一设备分组，得到多个第一设备组。

通常，第一设备被等分成多个第一设备组。例如，对于4个第一设备，可以等分成1个包括4个第一设备的组，也可以等分成2个分别包括2个第一设备的组，还可以等分成4个分别包括1个第一设备的组。

步骤202，对于每个第一设备组，按照分片度将初始模型的参数切分，以及将切分出的多个子参数一一对应存储在第一设备组中的多个图形处理器GPU上。

在本实施例中，对于每个第一设备组，上述执行主体可以按照分片度(sharding_degree)将初始模型的参数切分，以及将切分出的多个子参数一一对应存储在第一设备组中的多个GPU上。

通常，每个第一设备组都会存储一个初始模型的参数的备份。初始模型的参数被等分为多个子参数。一个第一设备包括多个GPU，一个子参数仅存储在一个GPU上，一个GPU仅存储一个子参数。例如，4个第一设备，每个第一设备包括4个GPU，初始模型包括16个网络层。对于4个第一设备组成的组，每个GPU都存储1个网络层的参数。对于2个第一设备组成的组，每个GPU都存储2个网络层的参数。对于4个第一设备组成的组，每个GPU都存储4个网络层的参数。

步骤203，在训练过程中，在第一设备组的组间数据并行，以及在第一设备组的组内的GPU间广播参数，直至初始模型训练完成。

在本实施例中，在训练过程中，第一设备组的组间数据并行，以及第一设备组的组内的GPU间广播参数，直至初始模型训练完成。

通常，分片数据并行策略是在ZeRO-DP策略的基础上进行了改进。分片数据并行策略在分片并行的基础上再增加一层数据并行逻辑。其中，数据并行度与分片度的乘积等于GPU的总数。假设4个第一设备，每个第一设备包括4个GPU，初始模型包括16个网络层。设备按照数据并行度分组，参数按照分片度进行切分，存在以下3种划分策略：

1、dp_degree＝1，sharding_degree＝16：如图3所示，每个GPU上存储1个网络层的参数，所有GPU之间进行广播参数。例如，Layer0从gpu0传播到其他15个GPU上。无论是单GPU通信量还是跨设备通信量都非常高。而标准的Zero-DP策略就是此情况。

2、dp_degree＝4，sharding_degree＝4：如图4所示，4个第一设备数据并行，每个第一设备的GPU间广播参数，无跨设备通信，每个GPU仅需要减少为通信1/4的初始模型的参数。

3、dp_degree＝2，sharding_degree＝8：如图5所示，2个第一设备组成一个组，组内广播参数，组间数据并行。相比第二种划分策略，所能支持的模型参数规模可以翻倍。

如下表1所示，从以下几个维度来定量分析划分策略下：任务支撑最大参数量，设备内通信量，设备间通信量，最大跨多少设备通信。相同模型大小情况下，通信量越大、跨设备数越多，整体训练速度越慢。

表1

本公开实施例提供了一种基于分片数据并行策略的模型训练方法，分片数据并行策略在分片并行的基础上再增加一层数据并行逻辑，组间数据并行，组内广播参数，从而降低通信量，减少跨设备数，提高模型的训练速度。

进一步参考图6，其示出了基于流水线并行策略的模型训练方法的一个实施例的流程600。该基于流水线并行策略的模型训练方法包括以下步骤：

步骤601，按照网络层粒度将初始模型切分，以及将切分出的多个网络层对应存储在多个第二设备上。

在本实施例中，基于流水线并行策略的模型训练方法的执行主体可以按照网络层粒度将初始模型切分，以及将切分出的多个网络层对应存储在多个第二设备上。其中，一个网络层仅存储在一个第二设备上，一个第二设备可以存储至少一个网络层。

这里，流水线并行策略支持将初始模型的不同网络层放置到不同的设备上，以降低单个设备的显存消耗，从而实现超大规模模型训练。

步骤602，基于训练样本集，对多个第二设备上的网络层进行训练，直至初始模型训练完成。

在本实施例中，上述执行主体可以基于训练样本集，对多个第二设备上的网络层进行训练，直至初始模型训练完成。

在模型训练过程中，训练样本集需要依次经过初始模型的各个网络层进行处理。因此，需要在存储初始模型的网络层的多个第二设备间传输数据。其中，相邻第二设备间可以通过通信链路传输数据。通常，模型训练可以包括前向计算过程和反向传播过程。具体地，在前向计算过程中，将训练样本集经过多个第二设备上的网络层进行处理，得到前向计算结果。同理，在反向传播过程中，将前向计算结果对应的误差经过多个第二设备上的网络层进行处理，得到梯度更新参数。最后，基于梯度更新参数，对多个第二设备上的网络层的参数进行更新。由于各个第二设备间传输的仅是相邻第二设备间的输出张量，而不是梯度信息，因此通信量较小。

图7示出了流水线并行策略的一个示意图。如图7所示，初始模型包含四个网络层(第1层、第2层、第3层和第4层)，三个第二设备(Device 0、Device 1和Device 2)。初始模型的四个网络层被切分存储在三个不同的第二设备上。即，第1层存储在Device 0上；第2层和第3层存储在Device 1上；第4层存储在Device 2上。在前向计算过程中，训练样本集中的训练样本首先在Device 0上通过第1层的计算得到中间结果。将中间结果传输到Device 1，在Device 1上计算得到第2层和第3层的输出结果。将第3层的输出结果传输到Device 2，在Device 2上经由最后一层的计算得到前向计算结果。反向传播过程类似。最后，各个第二设备上的网络层会使用反向传播过程计算得到的梯度更新参数进行参数更新。

图8示出了流水线并行策略的一个时序图。如图8中的(a)所示，在流水线并行策略下，任意时刻只有单个第二设备处于计算状态，而其它第二设备则处于空闲状态，第二设备的利用率和计算效率较差。为了优化流水线并行策略中的第二设备的计算效率，在训练之前，将训练样本集切分成多个批训练样本，在训练过程中，一个批训练样本进行一次参数更新。将训练样本集切分成若干更小粒度的批训练样本，以提升流水线并行策略的并发度，进而达到提升第二设备的利用率和计算效率的目的。如图8中的(b)所示，一个mini-batch被切分为4个micro-batch。在前向计算过程中，每个第二设备依次计算单个micro-batch的结果，从而增加了第二设备间的并发度，降低了流水线并行策略的空闲空间比例，提高了计算效率。但这种情况下，显存占用比较大，所以如图8中的(c)所示，在训练过程中，采用1F1B(1个forward1个backward，一个前向一个后向)调度，可以提前释放显存。在ERNIE(EnhancedLanguage Representation with Informative Entities，信息实体增强语言表示)网络下实测，从图8中的(b)到图8中的(c)，总batchsize(批大小)可以提升32倍，性能提升9倍。

本公开实施例提供的基于流水线并行策略的模型训练方法，流水线并行策略支持将初始模型的不同网络层放置到不同的设备上，以降低单个设备的显存消耗，从而实现超大规模模型训练。各个设备间传输的仅是相邻设备间的输出张量，而不是梯度信息，因此通信量较小。将训练样本集切分成若干更小粒度的批训练样本，以提升流水线并行策略的并发度，进而达到提升设备的利用率和计算效率的目的。采用1F1B调度，可以提前释放显存。

进一步参考图9，其示出了基于模型并行策略的模型训练方法的一个实施例的流程900。该基于模型并行策略的模型训练方法包括以下步骤：

步骤901，对于初始模型的每个网络层，按照算子粒度将网络层切分，以及将切分出的多个子网络层一一对应存储在多个第三设备上。

在本实施例中，对于初始模型的每个网络层，基于模型并行策略的模型训练方法的执行主体可以按照算子粒度将网络层切分，以及将切分出的多个子网络层一一对应存储在多个第三设备上。其中，一个子网络层仅存储在一个第三设备上，一个第三设备仅存储一个子网络层。

这里，模型并行策略主要将初始模型的某一网络层切成多份分给不同的第三设备并行计算。

以transformer为例，可以根据FC进行切分：

XW＝X[W₀，W₁，...，W_N-1]＝[XW₀，XW₁，...，XW_N-1]；

其中，第三设备的数目是N(N为正整数)个，W是初始模型的某一网络层，W₀是存储在第一个第三设备上的子网络层，W₁是存储在第二个第三设备上的子网络层，W_N-1是存储在第N个第三设备上的子网络层。对于第i个第三设备，只需要计算部分结果XW_i，然后通过通信操作f/g进行复制和合并。

针对transformer结构，提供split接口实现模型并行策略。具体地，通过split接口对embedding、fc和multihead-attention分别进行了模型并行切分和通信节点插入。

步骤902，基于训练样本集，对多个第三设备上的子网络层进行训练，直至初始模型训练完成。

在本实施例中，上述执行主体可以基于训练样本集，对多个第三设备上的子网络层进行训练，直至初始模型训练完成。

在模型训练过程中，训练样本集经过初始模型的某一网络层时，由这个网络层被切分成多个子网络层，分别存储在不同的第三设备上，因此会在多个第三设备上并行计算。由于初始模型的一部分只能在任何单个第三设备上运行，因此一组第三设备可以共同为更大的模型服务。

本公开实施例提供的基于模型并行策略的模型训练方法，模型并行策略将初始模型的某一网络层切成多份分给不同的设备并行计算。由于初始模型的一部分只能在任何单个设备上运行，因此一组设备可以共同为更大的模型服务。

进一步参考图10，其示出了基于数据并行策略的模型训练方法的一个实施例的流程1000。该基于数据并行策略的模型训练方法包括以下步骤：

步骤1001，将初始模型分别部署在多个第四设备上。

在本实施例中，基于数据并行策略的模型训练方法的执行主体可以将初始模型分别部署在多个第四设备上。其中，一个第四设备部署一个初始模型的备份。

步骤1002，按照设备粒度将训练样本集切分，以及将切分出的多个训练样本子集一一对应输入多个第四设备上的初始模型进行计算。

在本实施例中，上述执行主体可以按照设备粒度将训练样本集切分，以及将切分出的多个训练样本子集一一对应输入多个第四设备上的初始模型进行计算。其中，一个训练样本子集仅输入一个第四设备，一个第四设备仅处理一个训练样本子集。

步骤1003，合并计算结果，以及对多个第四设备上的初始模型的参数进行更新，直至初始模型训练完成。

在本实施例中，上述执行主体可以合并计算结果，并根据得到的合并计算结果对多个第四设备上的初始模型的参数进行更新，直至初始模型训练完成。

数据并行策略可以在每个第四设备上都存储一个初始模型的备份，在各个第四设备上处理训练样本集的不同部分。数据并行训练方法需要组合各个第四设备的结果，并且在第四设备之间通过初始模型的参数。

本公开实施例提供的基于数据并行策略的模型训练方法，数据并行策略可以在每个设备上都存储一个初始模型的备份，在各个设备上处理训练样本集的不同部分，从而实现超大规模数据的模型训练。

进一步参考图11，其示出了可以实现本公开实施例的模型训练方法的应用场景图。在图11所示的场景中，同时开启DP策略、PP策略、Sharding-DP策略和MP策略4种并行策略。一个并行策略可以代表一个维度并行训练模型，利用以上4个不同的并行策略同时训练模型，即，4个维度同时并行训练模型，可称为4D混合并行训练模型。数据先切分成两路DP，即data1和data2。对于每一路DP又按照每4层layer切分成多个PP，即PP0、PP1、PP2和PP4。对于一个PP内部的4层layer切分成两路sharding-DP，每路有两层layer和1/2的数据。对于每层layer又切分成四路MP，每个GPU上一份。其中，图11仅示出了第二路DP的PP0的内部的4层layer切分成两路sharding-DP，每层layer又切分成四路MP。其余PP的切分方式与第二路DP的PP0的切分方式相同，图11中未示出。当然，用户也可以根据实际情况选择任意的组合，如一路并行，两路并行，三路并行，四路并行。

进一步参考图12，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图12所示，本实施例的模型训练装置1200可以包括：获取模块1201、开启模块1202和训练模块1203。其中，获取模块1201，被配置成获取训练样本集；开启模块1202，被配置成从预设的并行策略集合中开启至少一个并行策略的开关，其中，并行策略集合中的每个并行策略对应设置有开关；训练模块1203，被配置成利用至少一个并行策略，基于训练样本集对初始模型进行训练，直至初始模型训练完成。

在本实施例中，模型训练装置1200中：获取模块1201、开启模块1202和训练模块1203的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，并行策略集合包括以下至少一项：数据并行策略、流水线并行策略、分片数据并行策略和模型并行策略。

在本实施例的一些可选的实现方式中，至少一个并行策略包括分片数据并行策略；以及训练模块1203进一步被配置成：按照数据并行度将第一设备分组，得到多个第一设备组；对于每个第一设备组，按照分片度将初始模型的参数切分，以及将切分出的多个子参数一一对应存储在第一设备组中的多个图形处理器GPU上，其中，数据并行度与分片度的乘积等于GPU的总数；在训练过程中，在第一设备组的组间数据并行，以及在第一设备组的组内的GPU间广播参数。

在本实施例的一些可选的实现方式中，至少一个并行策略包括流水线并行策略；以及训练模块1203包括：切分子模块，被配置成按照网络层粒度将初始模型切分，以及将切分出的多个网络层对应存储在多个第二设备上，其中，一个第二设备存储至少一个网络层；训练子模块，被配置成基于训练样本集，对多个第二设备上的网络层进行训练。

在本实施例的一些可选的实现方式中，训练子模块进一步被配置成：在前向计算过程中，将训练样本集经过多个第二设备上的网络层进行处理，得到前向计算结果；在反向传播过程中，将前向计算结果对应的误差经过多个第二设备上的网络层进行处理，得到梯度更新参数；基于梯度更新参数，对多个第二设备上的网络层的参数进行更新。

在本实施例的一些可选的实现方式中，在训练之前，将训练样本集切分成多个批训练样本，在训练过程中，一个批训练样本进行一次参数更新。

在本实施例的一些可选的实现方式中，在训练过程中，采用一个前向一个后向调度多个批训练样本。

在本实施例的一些可选的实现方式中，至少一个并行策略包括模型并行策略；以及训练模块1203进一步被配置成：对于初始模型的每个网络层，按照算子粒度将网络层切分，以及将切分出的多个子网络层一一对应存储在多个第三设备上；基于训练样本集，对多个第三设备上的子网络层进行训练。

在本实施例的一些可选的实现方式中，至少一个并行策略包括数据并行策略；以及训练模块1203进一步被配置成：将初始模型分别部署在多个第四设备上；按照设备粒度将训练样本集切分，以及将切分出的多个训练样本子集一一对应输入多个第四设备上的初始模型进行计算；合并计算结果，以及对多个第四设备上的初始模型的参数进行更新。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种模型训练方法，应用于电子设备的处理器，包括：

获取训练样本集；

从预设的并行策略集合中开启至少一个并行策略的开关，其中，所述并行策略集合中的每个并行策略对应设置有开关；

利用所述至少一个并行策略，基于所述训练样本集对初始模型进行训练，直至所述初始模型训练完成；

其中，所述至少一个并行策略包括分片数据并行策略；以及，

所述利用所述至少一个并行策略，基于所述训练样本集对所述初始模型进行训练，包括：

按照数据并行度将第一设备分组，得到多个第一设备组；

对于每个第一设备组，按照分片度将所述初始模型的参数切分，所述初始模型的参数被等分为多个子参数以及将切分出的多个子参数一一对应存储在所述第一设备组中的多个图形处理器GPU上，其中，所述数据并行度与所述分片度的乘积等于GPU的总数，所述子参数包括至少一个网络层的参数；

在训练过程中，在所述第一设备组的组间数据并行，以及在所述第一设备组的组内的GPU间广播参数。

2.根据权利要求1所述的方法，其中，所述并行策略集合包括以下至少一项：数据并行策略、流水线并行策略和模型并行策略。

3.根据权利要求2所述的方法，其中，所述至少一个并行策略包括所述流水线并行策略；以及

所述利用所述至少一个并行策略，基于所述训练样本集对所述初始模型进行训练，包括：

按照网络层粒度将所述初始模型切分，以及将切分出的多个网络层对应存储在多个第二设备上，其中，一个第二设备存储至少一个网络层；

基于所述训练样本集，对所述多个第二设备上的网络层进行训练。

4.根据权利要求3所述的方法，其中，所述基于所述训练样本集，对所述多个第二设备上的多个网络层进行训练，包括：

在前向计算过程中，将所述训练样本集经过所述多个第二设备上的网络层进行处理，得到前向计算结果；

在反向传播过程中，将所述前向计算结果对应的误差经过所述多个第二设备上的网络层进行处理，得到梯度更新参数；

基于所述梯度更新参数，对所述多个第二设备上的网络层的参数进行更新。

5.根据权利要求4所述的方法，其中，在训练之前，将所述训练样本集切分成多个批训练样本，在训练过程中，一个批训练样本进行一次参数更新。

6.根据权利要求5所述的方法，其中，在训练过程中，采用一个前向一个后向调度所述多个批训练样本。

7.根据权利要求2-6之一所述的方法，其中，所述至少一个并行策略包括所述模型并行策略；以及

所述利用所述至少一个并行策略，基于所述训练样本集对所述初始模型进行训练，包括：

对于所述初始模型的每个网络层，按照算子粒度将所述网络层切分，以及将切分出的多个子网络层一一对应存储在多个第三设备上；

基于所述训练样本集，对所述多个第三设备上的子网络层进行训练。

8.根据权利要求2-6之一所述的方法，其中，所述至少一个并行策略包括所述数据并行策略；以及

所述利用所述至少一个并行策略，基于所述训练样本集对所述初始模型进行训练，包括：

将所述初始模型分别部署在多个第四设备上；

按照设备粒度将所述训练样本集切分，以及将切分出的多个训练样本子集一一对应输入所述多个第四设备上的初始模型进行计算；

合并计算结果，以及对所述多个第四设备上的初始模型的参数进行更新。

9.一种模型训练装置，应用于电子设备的处理器，包括：

获取模块，被配置成获取训练样本集；

开启模块，被配置成从预设的并行策略集合中开启至少一个并行策略的开关，其中，所述并行策略集合中的每个并行策略对应设置有开关；

训练模块，被配置成利用所述至少一个并行策略，基于所述训练样本集对初始模型进行训练，直至所述初始模型训练完成；

其中，所述至少一个并行策略包括分片数据并行策略；以及

所述训练模块进一步被配置成：

按照数据并行度将第一设备分组，得到多个第一设备组；

对于每个第一设备组，按照分片度将所述初始模型的参数切分，所述初始模型的参数被等分为多个子参数以及将切分出的多个子参数一一对应存储在所述第一设备组中的多个图形处理器GPU上，其中，所述数据并行度与所述分片度的乘积等于GPU的总数，所述子参数包括至少一个网络层的参数；

在训练过程中，在所述第一设备组的组间数据并行，以及在所述第一设备组的组内的GPU间广播参数。

10.根据权利要求9所述的装置，其中，所述并行策略集合包括以下至少一项：数据并行策略、流水线并行策略和模型并行策略。

11.根据权利要求10所述的装置，其中，所述至少一个并行策略包括所述流水线并行策略；以及

所述训练模块包括：

切分子模块，被配置成按照网络层粒度将所述初始模型切分，以及将切分出的多个网络层对应存储在多个第二设备上，其中，一个第二设备存储至少一个网络层；

训练子模块，被配置成基于所述训练样本集，对所述多个第二设备上的网络层进行训练。

12.根据权利要求11所述的装置，其中，所述训练子模块进一步被配置成：

在前向计算过程中，将所述训练样本集经过所述多个第二设备上的网络层进行处理，得到前向计算结果；

在反向传播过程中，将所述前向计算结果对应的误差经过所述多个第二设备上的网络层进行处理，得到梯度更新参数；

基于所述梯度更新参数，对所述多个第二设备上的网络层的参数进行更新。

13.根据权利要求12所述的装置，其中，在训练之前，将所述训练样本集切分成多个批训练样本，在训练过程中，一个批训练样本进行一次参数更新。

14.根据权利要求13所述的装置，其中，在训练过程中，采用一个前向一个后向调度所述多个批训练样本。

15.根据权利要求10-14之一所述的装置，其中，所述至少一个并行策略包括所述模型并行策略；以及

所述训练模块进一步被配置成：

对于所述初始模型的每个网络层，按照算子粒度将所述网络层切分，以及将切分出的多个子网络层一一对应存储在多个第三设备上；

基于所述训练样本集，对所述多个第三设备上的子网络层进行训练。

16.根据权利要求10-14之一所述的装置，其中，所述至少一个并行策略包括所述数据并行策略；以及

所述训练模块进一步被配置成：

将所述初始模型分别部署在多个第四设备上；

按照设备粒度将所述训练样本集切分，以及将切分出的多个训练样本子集一一对应输入所述多个第四设备上的初始模型进行计算；

合并计算结果，以及对所述多个第四设备上的初始模型的参数进行更新。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机设备，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images