相信很多人都知道Hugging Face，也都用过它的Transformers预训练语言模型，但你们有没有觉得它训练的有点太慢了呢？这时候，手把手教你怎么让训练时间缩短一半。
训练BERT
首先我们要安装Transformers库，这很简单：
pip install transformers
然后我们直接把官方的例子拷贝下来，这里我们用的是GLUE任务，地址是https://github.com/huggingface/transformers/blob/master/examples/pytorch/text-classification/run_glue.py。因为代码太长了，这里就不放了，拷贝下来后文件名是run_glue.py。
接着我们就可以直接运行这个代码了，我们采用mrpc数据集，开启FP16训练，命令如下：
python run_glue.py \ --model_name_or_path bert-base-cased \ --task_name mrpc \ --do_train \ --do_eval \ --max_seq_length 128 \ --per_device_train_batch_size 32 \ --num_train_epochs 3 \ --output_dir /tmp/mrpc/ \ --overwrite_output_dir \ --fp16
我这里是单卡训练的，训练完后输出如下：
***** train metrics ***** epoch = 3.0 train_loss = 0.3921 train_runtime = 0:00:45.06 train_samples = 3668 train_samples_per_second = 244.166 train_steps_per_second = 7.655
可以看出，训练总共耗时「45秒」，是不是有点等不及了呢？
加速训练
首先我们需要安装训练加速库，这里我们用到的是LightSeq，项目地址是https://github.com/bytedance/lightseq。不过我们还是直接pip安装：
pip install lightseq
然后我们需要做的就是将Hugging Face的BERT替换成LightSeq的BERT，代码如下，放在文件replace_module.py中。
from lightseq.training.ops.pytorch.transformer_encoder_layer import (
LSTransformerEncoderLayer,
)
class LSHFTransformerEncoderLayer(LSTransformerEncoderLayer):
def __init__(self, *args, **kwargs):
super(LSHFTransformerEncoderLayer, self).__init__(*args, **kwargs)
def forward(self, hidden_states, encoder_padding_mask, *args, **kwargs):
encoder_padding_mask /= -10000.0
output = super().forward(hidden_states, encoder_padding_mask)
return (output, None, None, None)
def gen_ls_bert_config(training_args, config):
bert_config = LSTransformerEncoderLayer.get_config(
max_batch_tokens=4096,
max_seq_len=config.max_position_embeddings,
hidden_size=config.hidden_size,
intermediate_size=config.intermediate_size,
nhead=config.num_attention_heads,
attn_prob_dropout_ratio=config.attention_probs_dropout_prob,
activation_dropout_ratio=0.1,
hidden_dropout_ratio=config.hidden_dropout_prob,
pre_layer_norm=False,
fp16=training_args.fp16,
local_rank=training_args.local_rank,
)
return bert_config
def inject_ls_enc_layer(model, training_args, config):
for i in range(config.num_hidden_layers):
bert_config = gen_ls_bert_config(training_args, config)
model.bert.encoder.layer[i] = LSHFTransformerEncoderLayer(bert_config)这里LSHFTransformerEncoderLayer是继承的LightSeq中的LSTransformerEncoderLayer类，然后重写了forward函数。原因是Hugging Face的输入格式和LightSeq略有不同，需要在forward之前转换一下。
gen_ls_bert_config函数是用来定义LightSeq的encoder参数配置，这里直接从Hugging Face的主函数入口获取即可。
inject_ls_enc_layer函数就是用来替换BERT中的每一层encoder的，首先定义每一层的参数配置，然后用LSHFTransformerEncoderLayer类去替换原始的encoder层即可。
然后我们打开run_glue.py，在头文件处加上inject_ls_enc_layer的引用：
from replace_module import inject_ls_enc_layer
最后在定义完model后，将model中的encoder替换即可，利用上面引用的替换函数：
model = AutoModelForSequenceClassification.from_pretrained(
model_args.model_name_or_path,
from_tf=bool(".ckpt" in model_args.model_name_or_path),
config=config,
cache_dir=model_args.cache_dir,
revision=model_args.model_revision,
use_auth_token=True if model_args.use_auth_token else None,
)
# 在model定义后立刻替换
inject_ls_enc_layer(model, training_args, config)我们重新运行上一次运行的命令：
python run_glue.py \ --model_name_or_path bert-base-cased \ --task_name mrpc \ --do_train \ --do_eval \ --max_seq_length 128 \ --per_device_train_batch_size 32 \ --num_train_epochs 3 \ --output_dir /tmp/mrpc/ \ --overwrite_output_dir \ --fp16
最终输出如下：
***** train metrics ***** epoch = 3.0 train_loss = 0.6077 train_runtime = 0:00:25.08 train_samples = 3668 train_samples_per_second = 438.603 train_steps_per_second = 13.751
这次运行时间只有「25秒」！不愧是字节最快的男人。
加载预训练参数
有眼尖的小伙伴可能发现了，上面加速后效果变差了呀。没错，因为新建了encoder类之后，参数都是随机初始化的了，所以要重新加载一下预训练参数。
LightSeq的encoder类初始化的时候提供了预训练参数初始化的选项，我们只需要将预训练参数从Hugging Face的BERT中提取出来即可：
def get_hf_bert_enc_layer_params(layer):
init_ws = []
init_bs = []
init_ws.append(layer.attention.self.query.weight.detach().clone())
init_bs.append(layer.attention.self.query.bias.detach().clone())
init_ws.append(layer.attention.self.key.weight.detach().clone())
init_bs.append(layer.attention.self.key.bias.detach().clone())
init_ws.append(layer.attention.self.value.weight.detach().clone())
init_bs.append(layer.attention.self.value.bias.detach().clone())
init_ws.append(layer.attention.output.dense.weight.detach().clone())
init_bs.append(layer.attention.output.dense.bias.detach().clone())
init_ws.append(layer.attention.output.LayerNorm.weight.detach().clone())
init_bs.append(layer.attention.output.LayerNorm.bias.detach().clone())
init_ws.append(layer.intermediate.dense.weight.detach().clone())
init_bs.append(layer.intermediate.dense.bias.detach().clone())
init_ws.append(layer.output.dense.weight.detach().clone())
init_bs.append(layer.output.dense.bias.detach().clone())
init_ws.append(layer.output.LayerNorm.weight.detach().clone())
init_bs.append(layer.output.LayerNorm.bias.detach().clone())
return init_ws, init_bs注意参数在列表中的顺序不能错了，然后将这两个列表加入到LSHFTransformerEncoderLayer类的初始化参数中去：
def inject_ls_enc_layer(model, training_args, config):
for i in range(config.num_hidden_layers):
bert_config = gen_ls_bert_config(training_args, config)
# 提取预训练参数
init_ws, init_bs = get_hf_bert_enc_layer_params(model.bert.encoder.layer[i])
# 利用预训练参数进行初始化
model.bert.encoder.layer[i] = LSHFTransformerEncoderLayer(
bert_config, init_ws, init_bs
)
接着运行命令不变，效果就上来啦。
和竞品比如何？
另一款知名的训练加速库DeepSpeed你们可能也听过，那和它比速度怎么样呢？
Hugging Face已经内置了DeepSpeed，可以直接开启。不过它并没有替换掉encoder，所以模型还是用PyTorch写的，速度依然很慢。因此我们需要手动替换一下encoder。
代码和上面类似，也是定义参数配置和encoder类：
from deepspeed.ops.transformer import (
DeepSpeedTransformerConfig,
DeepSpeedTransformerLayer
)
def gen_ds_bert_config(training_args, config):
bert_config = DeepSpeedTransformerConfig(
batch_size=4096,
hidden_size=config.hidden_size,
intermediate_size=config.intermediate_size,
heads=config.num_attention_heads,
attn_dropout_ratio=config.attention_probs_dropout_prob,
hidden_dropout_ratio=config.hidden_dropout_prob,
num_hidden_layers=config.num_hidden_layers,
initializer_range=0.02,
layer_norm_eps=1e-8,
local_rank=training_args.local_rank,
fp16=training_args.fp16,
pre_layer_norm=False,
huggingface=True,
training=True
)
return bert_config
def inject_ds_enc_layer(model, training_args, config):
for i in range(config.num_hidden_layers):
bert_config = gen_ds_bert_config(training_args, config)
model.bert.encoder.layer[i] = DeepSpeedTransformerLayer(bert_config)然后在run_glue.py里引用inject_ds_enc_layer替换函数，并对model进行替换：
from replace_module import inject_ds_enc_layer
model = AutoModelForSequenceClassification.from_pretrained(
model_args.model_name_or_path,
from_tf=bool(".ckpt" in model_args.model_name_or_path),
config=config,
cache_dir=model_args.cache_dir,
revision=model_args.model_revision,
use_auth_token=True if model_args.use_auth_token else None,
)
# 在model定义后立刻替换
inject_ds_enc_layer(model, training_args, config)最后我们还需要定义一个DeepSpeed需要用到的运行参数配置ds_config.json：
{
"train_micro_batch_size_per_gpu": "auto",
"optimizer": {
"type": "AdamW",
"params": {
"lr": "auto",
"betas": [
0.9,
0.999
],
"eps": 1e-8,
"weight_decay": "auto",
"torch_adam": true
}
},
"scheduler": {
"type": "WarmupDecayLR",
"params": {
"warmup_num_steps": "auto",
"warmup_min_lr": "auto",
"warmup_max_lr": "auto",
"total_num_steps": "auto"
}
},
"gradient_clipping": "auto",
"fp16": {
"enabled": "auto",
"loss_scale": 0,
"initial_scale_power": 7
}
}运行命令需要稍稍修改，采用DeepSpeed的启动器：
deepspeed --num_gpus=1 run_glue.py \ --model_name_or_path bert-base-cased \ --task_name mrpc \ --do_train \ --do_eval \ --max_seq_length 128 \ --per_device_train_batch_size 32 \ --num_train_epochs 3 \ --output_dir /tmp/mrpc/ \ --overwrite_output_dir \ --fp16 \ --deepspeed ds_config.json
输出结果如下：
***** train metrics ***** epoch = 3.0 train_loss = 0.5865 train_runtime = 0:00:37.17 train_samples = 3668 train_samples_per_second = 296.032 train_steps_per_second = 9.281
总结
最终对比下来，Hugging Face花了「45秒」训练完成，DeepSpeed花了「37秒」，而LightSeq只花了「25秒」。
「项目地址：」
https://github.com/bytedance/lightseq
「技术原理：」
https://zhuanlan.zhihu.com/p/383657837
「其它使用例子：」
https://zhuanlan.zhihu.com/p/382961951