fault_tolerance.ipynb

Kernel: Python 3

Copyright 2021 The TensorFlow Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

迁移容错机制

在 TensorFlow.org 上查看

在 Google Colab 运行

在 Github 上查看源代码

下载笔记本

容错是指定期保存参数和模型等可跟踪对象的状态的机制。这样，您便能够在训练期间出现程序/机器故障时恢复它们。

本指南首先演示了如何通过使用 tf.estimator.RunConfig 指定指标保存以在 TensorFlow 1 中使用 tf.estimator.Estimator 向训练添加容错。随后，您将学习如何通过以下两种方式在 Tensorflow 2 中实现容错训练：

• 如果您使用 Keras Model.fit API，则可以将 tf.keras.callbacks.BackupAndRestore 回调传递给它。

• 如果您使用自定义训练循环（使用 tf.GradientTape），则可以使用 tf.train.Checkpoint 和 tf.train.CheckpointManager API 任意保存检查点。

这两种方式都会备份和恢复检查点文件中的训练状态。

安装

安装 tf-nightly，因为使用 tf.keras.callbacks.BackupAndRestore 中的 save_freq 参数设置特定步骤保存检查点的频率是从 TensorFlow 2.10 引入的：

!pip install tf-nightly

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import numpy as np
import tempfile
import time

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

TensorFlow 1：使用 tf.estimator.RunConfig 保存检查点

在 TensorFlow 1 中，可以配置 tf.estimator，随后通过配置 tf.estimator.RunConfig 在每一步保存检查点。

在此示例中，首先编写一个在第五个检查点期间人为抛出错误的钩子：

class InterruptHook(tf1.train.SessionRunHook):
  # A hook for artificially interrupting training.
  def begin(self):
    self._step = -1

  def before_run(self, run_context):
    self._step += 1

  def after_run(self, run_context, run_values):
    if self._step == 5:
      raise RuntimeError('Interruption')

接下来，配置 tf.estimator.Estimator 以保存每个检查点并使用 MNIST 数据集：

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]
config = tf1.estimator.RunConfig(save_summary_steps=1,
                                 save_checkpoints_steps=1)

path = tempfile.mkdtemp()

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2,
    model_dir=path,
    config = config
)

train_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_train},
    y=y_train.astype(np.int32),
    num_epochs=10,
    batch_size=50,
    shuffle=True,
)

开始训练模型。您之前定义的钩子将引发人为异常。

try:
  classifier.train(input_fn=train_input_fn,
                   hooks=[InterruptHook()],
                   max_steps=10)
except Exception as e:
  print(f'{type(e).__name__}:{e}')

使用最后保存的检查点重新构建 tf.estimator.Estimator 并继续训练：

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.2,
    model_dir=path,
    config = config
)
classifier.train(input_fn=train_input_fn,
                   max_steps = 10)

TensorFlow 2：使用回调和 Model.fit 备份和恢复

在 TensorFlow 2 中，如果使用 Keras Model.fit API 进行训练，则可以提供 tf.keras.callbacks.BackupAndRestore 回调来添加容错功能。

为了帮助演示这一点，首先定义一个 Keras Callback 类，该类会在第四个周期检查点期间人为抛出错误：

class InterruptAtEpoch(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_epoch=3):
    self.interrupting_epoch = interrupting_epoch

  def on_epoch_end(self, epoch, log=None):
    if epoch == self.interrupting_epoch:
      raise RuntimeError('Interruption')

然后，定义并实例化一个简单的 Keras 模型，定义损失函数，调用 Model.compile 并设置一个 tf.keras.callbacks.BackupAndRestore 回调，它会将检查点保存在周期边界的临时目录中：

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
  ])
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
log_dir = tempfile.mkdtemp()
backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir)

开始使用 Model.fit 训练模型。在训练期间，由于上面实例化的 tf.keras.callbacks.BackupAndRestore 将保存检查点，而 InterruptAtEpoch 类将引发人为异常来模拟第四个周期后的失败。

try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtEpoch()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下来，实例化 Keras 模型，调用 Model.compile，并从之前保存的检查点继续使用 Model.fit 训练模型：

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

定义另一个 Callback 类，该类会在第 140 步期间人为抛出错误：

class InterruptAtStep(tf.keras.callbacks.Callback):
  # A callback for artificially interrupting training.
  def __init__(self, interrupting_step=140):
    self.total_step_count = 0
    self.interrupting_step = interrupting_step

  def on_batch_begin(self, batch, logs=None):
    self.total_step_count += 1

  def on_batch_end(self, batch, logs=None):
    if self.total_step_count == self.interrupting_step:
      print("\nInterrupting at step count", self.total_step_count)
      raise RuntimeError('Interruption')

注：本部分使用了仅在 Tensorflow 2.10 发布后才能在 tf-nightly 中可用的功能。

要确保检查点每 30 个步骤保存一次，请将 BackupAndRestore 回调中的 save_freq 设置为 30。InterruptAtStep 将引发一个人为的异常来模拟周期 1 和步骤 40 的失败（总步数为 140）。最后会在周期 1 和步骤 20 保存检查点。

log_dir_2 = tempfile.mkdtemp()

backup_restore_callback = tf.keras.callbacks.BackupAndRestore(
    backup_dir = log_dir_2, save_freq=30
)
model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'])
try:
  model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback, InterruptAtStep()])
except Exception as e:
  print(f'{type(e).__name__}:{e}')

接下来，实例化 Keras 模型，调用 Model.compile，并从之前保存的检查点继续使用 Model.fit 训练模型。请注意，训练从周期 2 和步骤 21 开始。

model = create_model()
model.compile(optimizer='adam',
              loss=loss,
              metrics=['accuracy'],
              steps_per_execution=10)
model.fit(x=x_train,
            y=y_train,
            epochs=10,
            steps_per_epoch=100,
            validation_data=(x_test, y_test),
            callbacks=[backup_restore_callback])

TensorFlow 2：使用自定义训练循环编写手动检查点

如果您在 TensorFlow 2 中使用自定义训练循环，则可以使用 tf.train.Checkpoint 和 tf.train.CheckpointManager API 实现容错机制。

此示例演示了如何执行以下操作：

• 使用 tf.train.Checkpoint 对象手动创建一个检查点，其中要保存的可跟踪对象设置为特性。

• 使用 tf.train.CheckpointManager 管理多个检查点。

首先，定义和实例化 Keras 模型、优化器和损失函数。然后，创建一个 Checkpoint 来管理两个具有可跟踪状态的对象（模型和优化器），以及一个 CheckpointManager 来记录多个检查点并将它们保存在临时目录中。

model = create_model()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.001)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
log_dir = tempfile.mkdtemp()
epochs = 5
steps_per_epoch = 5

checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer)
checkpoint_manager = tf.train.CheckpointManager(
            checkpoint, log_dir, max_to_keep=2)

现在，实现一个自定义训练循环，在第一个周期之后，每次新周期开始时都会加载最后一个检查点：

for epoch in range(epochs):
  if epoch > 0:
      tf.train.load_checkpoint(save_path)
  print(f"\nStart of epoch {epoch}")

  for step in range(steps_per_epoch):
    with tf.GradientTape() as tape:

      logits = model(x_train, training=True)
      loss_value = loss_fn(y_train, logits)

      grads = tape.gradient(loss_value, model.trainable_weights)
      optimizer.apply_gradients(zip(grads, model.trainable_weights))

    save_path = checkpoint_manager.save()
    print(f"Checkpoint saved to {save_path}")
    print(f"Training loss at step {step}: {loss_value}")

后续步骤

要详细了解 TensorFlow 2 中的容错和检查点，请查看以下文档：

• tf.keras.callbacks.BackupAndRestore 回调 API 文档。

• tf.train.Checkpoint 和 tf.train.CheckpointManager API 文档。

• 训练检查点指南，包括编写检查点部分。

此外，您可能还会发现下列与分布式训练相关的材料十分有用：

• 使用 Keras 进行多工作进程训练教程中的容错部分。

• 参数服务器训练教程中的处理任务失败部分。