有bug！用Pytorch Lightning重構代碼速度更慢，修復後速度倍增

選自Medium

作者：Florian Ernst

機器之心編譯

編輯：小舟、陳萍

用了 Lightning 訓練速度反而更慢，你遇到過這種情況嗎？

PyTorch Lightning 是一種重構 PyTorch 代碼的工具，它可以抽出代碼中複雜重複的部分，使得 AI 研究可擴展並且可以快速迭代。然而近日一位名為 Florian Ernst 的博主卻發現 PyTorch Lightning 存在一個 bug——讓原本應該加速的訓練變得更慢了。

本文作者 Florian Ernst

Ernst 撰寫博客詳細描述了他發現這個 bug 的過程，以下是博客原文。

兩周前，我將一些深度學習代碼重構為 Pytorch Lightning，預計大約有 1.5 倍的加速。然而，訓練、評估和測試任務的速度卻降為原來的 1/4。重構之後的神經網路需要運行幾天才能得出結果，因此我想找出原因，並儘可能地減少訓練時間。

事情是這樣的，我使用的是一些開源深度學習代碼，這些代碼是用來展示某些機器學習任務最新架構的。然而這些代碼本身既不整潔也沒進行優化。我注意到幾個可以加速的地方，並將代碼重構為 Pytorch 代碼，讓訓練大約快了 3 倍。

但我認為還有改進的餘地。Pytorch Lightning 是一個非常好的工具：它刪除了大量樣板代碼，並配備了一些優化方法，因此我決定使用 Lightning 重構這些代碼。

我原本希望代碼大約能提速 1.5 倍，但完成重構時，我驚訝地發現迭代時間從 4 秒變成了 15 秒，這使訓練時間多了近 3 倍。

問題出在哪裡？

我首先運行 Lightning 的分析器來找出問題所在。

基礎分析器給了我一個起點：大部分時間都花在運行一個 epoch 上；高級分析器沒有給我更多信息。

我想知道我是否在神經網路上錯誤地配置了一些超參數。我打亂了其中一些超參數，訓練速度沒有任何變化。

然後我調整了數據載入器，發現改變作業數 n_jobs 會對總訓練時間產生影響。然而影響不是加快了計算速度，而是減慢了。

隨著 job 數變化，100 個 epoch 花費的時間。

使用 n_jobs=0 完全禁用多處理使我的迭代幾乎比使用 6 個內核快了 2 倍。默認情況下，Pytorch 在兩個 epoch 之間會 kill 掉運行中的進程（worker）並重新載入，因而需要重新載入數據集。

在我這個例子中，載入數據集非常慢。我將 DataLoader 里的 persistent_workers 參數設置為 True，以防止運行中的進程被殺死，進而防止重新載入數據。

# My data Loader parameters
DataLoader(
  train_dataset, batch_size=64, shuffle=True, num_workers=n_workers,
  persistent_workers=True, pin_memory=True,
)

因此，有兩種可能性：

• Pytorch Lightning kill 掉 worker，沒有考慮 persistent_workers 參數；
• 問題出在別的地方。

我在 GitHub 上創建了一個 issue，希望 Lightning 團隊意識這個問題，接下來我要尋找問題根源。

GitHub 地址：https://github.com/PyTorchLightning/pytorch-lightning/issues/10389

尋找問題根源

Lightning 的 proFiler 與上下文管理器一起運行並計算給定塊花費的時間。它可以輕鬆搜索特定的 profiler 操作，以運行「run_training_epoch」為例 。

我開始探究 Lightning 源碼，查看導致循環（loops）變慢的指令，我發現了一些問題：Loop.run 調用 Loop.on_run_start、Loop.on_run_start 重新載入 dataloader，如下圖所示：

Loop.run 調用 Loop.on_run_start…

Loop.on_run_start 重新調用 dataloader

問題看起來確實來自在每個 epoch 中重新載入 DataLoader。查看 DataLoader 的源碼，發現是這樣的：

當使用 persistent_workers > 0 迭代 DataLoader 時，如果_iterator` 為 None，則使用_get_iterator() 重新載入整個數據集。可以確定的是 Pytorch Lightning 錯誤地重置了 _iterator，從而導致了這個問題。

為了證實這一發現，我用一個自定義的只能重載的__iter__方法替換了 DataLoader：

正如預期的那樣，在迭代之後，_iterator 屬性被正確設置，但在下一個 epoch 開始之前被重置為 None。

n_jobs=1，persistent_workers=True

現在，我只需要知道屬性何時被設置為 None ，這樣就可找到問題的根源。我嘗試使用調試器，但由於多進程或 CUDA 而導致程序崩潰。我開始採用 Python 的 getter & setter 用法：

當 DataLoader._iterator 設置為 None 時，將會列印 stack trace

這樣做非常有效，會輸出如下內容：

File "trainer\trainer.py", line 1314, in _run_train
  self.fit_loop.run()
...
File "loops\fit_loop.py", line 234, in advance
  self.epoch_loop.run(data_fetcher)
File "loops\base.py", line 139, in run
  self.on_run_start(*args, **kwargs)
File "loops\epoch\training_epoch_loop.py", line 142, in on_run_start
  self._dataloader_iter = _update_dataloader_iter(...)
File "loops\utilities.py", line 121, in _update_dataloader_iter
  dataloader_iter = enumerate(data_fetcher, batch_idx)
File "utilities\fetching.py", line 198, in __iter__
  self.reset()
File "utilities\fetching.py", line 212, in reset
  self.dataloader.reset()
...
File "trainer\supporters.py", line 498, in _shutdown_workers_and_reset_iterator
  dataloader._iterator = None

通過跟蹤發現每次開始運行時都會調用 DataLoader.reset。通過深入研究代碼後，我發現每次迭代都會重置 DataFetcher，從而導致 DataLoader 也被重置。代碼中沒有條件來避免重置：每個 epoch 都必須重置 DataLoader。

這就是我發現迭代緩慢的根本原因。

修復 bug

既然發現了 bug，就要想辦法修復。修復 bug 非常簡單：我將 self.reset 行從 DataFetcher 的__iter__ 方法中移除：

通過修改後再次訓練，現在一次迭代只需要 1.5 秒，而此前需要 15 秒，使用 vanilla Pytorch 也需要 3 秒，相比較而言，速度確實提升了很多。

我將發現的這個 bug 報告給了 Lightning 團隊，他們對問題進行了修復並在第二天推送了修補程序。我隨後更新了庫，更新後發現他們的修復確實有效。相信更多人將從這次修復中受益，並且他們的 Lightning 模型的訓練和測試時間會得到改善。如果你最近還沒有更新依賴項，請嘗試安裝 pytorch-lightning==1.5.1 或更高版本！

原文鏈接：https://medium.com/@florian-ernst/finding-why-pytorch-lightning-made-my-training-4x-slower-ae64a4720bd1