[[436675]]

PyTorch Lightning 是一種重構 PyTorch 代碼的工具，它可以抽出代碼中復雜重復的部分，使得 AI 研究可擴展并且可以快速迭代。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。重構之后的神經網絡需要運行幾天才能得出結果，因此我想找出原因，并盡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，并將代碼重構為 Pytorch 代碼，讓訓練大約快了 3 倍。

但我認為還有改進的余地。Pytorch Lightning 是一個非常好的工具：它刪除了大量樣板代碼，并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。

問題出在哪里？

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絡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。

然后我調整了數據加載器，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）并重新加載，因而需要重新加載數據集。

在我這個例子中，加載數據集非常慢。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，進而防止重新加載數據。

# 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并計算給定塊花費的時間。它可以輕松搜索特定的 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 重新加載 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 中重新加載 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() 重新加載整個數據集。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，在迭代之后，_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，但由于多進程或 CUDA 而導致程序崩潰。我開始采用 Python 的 getter & setter 用法：

當 DataLoader._iterator 設置為 None 時，將會打印 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。通過深入研究代碼后，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：

通過修改后再次訓練，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并在第二天推送了修補程序。我隨后更新了庫，更新后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，并且他們的 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！