时间戳

首页 > 解决方案 > 将 Horovod 与 tf.keras 一起使用时如何从检查点恢复？

python - 将 Horovod 与 tf.keras 一起使用时如何从检查点恢复？

问题描述

注意：我使用的是 TF 2.1.0 和 tf.keras API。我在 0.18 和 0.19.2 之间的所有 Horovod 版本中都遇到了以下问题。

我们应该hvd.load_model()在从 tf.keras h5 检查点恢复时调用所有等级，还是只应该在等级 0 上调用它并让BroadcastGlobalVariablesCallback回调与其他工作人员共享这些权重？方法 1 是否不正确/无效，因为它会扰乱训练或产生与方法 2 不同的结果？

我目前正在训练一个带有一些 BatchNorm 层的基于 ResNet 的模型，如果我们只尝试在第一层加载模型（并在其他层上构建/编译模型），我们会遇到一个停滞的张量问题（https： //github.com/horovod/horovod/issues/1271）。但是，如果我们hvd.load_model在恢复时调用所有等级，训练开始正常恢复但它似乎立即发散，所以我很困惑是否在所有等级上加载检查点模型（带有hvd.load_model）会以某种方式导致训练发散？但同时，由于https://github.com/horovod/horovod/issues/1271，我们无法仅将其加载到 rank 0，导致 Batch Norm 在 horovod 中挂起。有没有人能够成功调用hvd.load_model仅在使用 BatchNorm tf.keras 层时排名为 0？有人可以在这里提供一些提示吗？

谢谢！

标签： pythontensorflowtensorflow2.0tf.kerashorovod

解决方案

根据这个：https://github.com/horovod/horovod/issues/120，这是解决方案：

You should also be able to specify optimizer via custom object:
model = keras.models.load_model('file.h5', custom_objects={
    'Adam': lambda **kwargs: hvd.DistributedOptimizer(keras.optimizers.Adam(**kwargs))
})

推荐阅读