Strategy

class paddle.distributed. Strategy

用于配置静态图分布式训练时所使用的并行策略和优化策略。目前支持 sharding、 fused_passes、 gradient_merge 和 pipeline，未来将支持更多的策略。

sharding 用于配置优化器的分片策略，可以节省 GPU 显存。

fused_passes 用于配置模型的计算融合策略。

gradient_merge 用于配置训练时的梯度融合。

pipeline 用于配置流水线并行策略。

参数

  • config (dict|None, 可选) - 策略配置。若 config 参数为 None，则使用默认配置。若 config 为字典，则将字典中包含的项设置为用户自定义的配置，字典中不包含的项依旧使用默认配置。默认：None。

代码示例

COPY-FROM: paddle.distributed.Strategy

属性

sharding

优化器分片策略，包含以下配置项：

  • ``enable`` (bool) - 是否启用优化器分片策略。默认：False。

  • ``stage`` (int) - 可以设置为 1、2 或 3。1 表示切分优化器状态，2 代表切分优化器状态和梯度，3 表示切分优化器状态、梯度和参数。默认：1。

  • ``degree`` (int) - 分片的数量。默认：8。

代码示例

COPY-FROM: paddle.distributed.Strategy.sharding

fused_passes

计算融合策略，包含以下配置项：

  • ``enable`` (bool) - 是否启用计算融合策略。默认：False。

  • ``gemm_epilogue`` (bool) - 是否融合 Linear 层中的 matmul 和 add 计算。默认：False。

  • ``dropout_add`` (bool) - 是否融合 dropout 和 add 计算。默认：False。

代码示例

COPY-FROM: paddle.distributed.Strategy.fused_passes

gradient_merge

梯度融合策略，包含以下配置项：

  • ``enable`` (bool) - 是否启用梯度融合策略。默认：False。

  • ``k_steps`` (int) - 梯度融合的步数。默认：1。

  • ``avg`` (bool) - 是否平均梯度。默认：True。

代码示例

COPY-FROM: paddle.distributed.Strategy.gradient_merge

pipeline

流水线并行策略，包含以下配置项：

  • ``enable`` (bool) - 是否启用流水线并行策略。默认：False。

  • ``schedule_mode`` (str) - 流水线并行的调度模式。默认：1F1B。

  • ``micro_batch_size`` (int) - mini-batch 中包含的每个 micro-batch 的大小。默认：1。

  • ``accumulate_steps`` (int) - 累积步数。默认：1。

代码示例

COPY-FROM: paddle.distributed.Strategy.pipeline