forked from KEMT/zpwiki
219 lines
10 KiB
Markdown
219 lines
10 KiB
Markdown
---
|
|
title: Lukáš Pokrývka
|
|
published: true
|
|
taxonomy:
|
|
category: [dp2021,bp2019]
|
|
tag: [gpu,cloud]
|
|
author: Daniel Hladek
|
|
---
|
|
# Lukáš Pokrývka
|
|
|
|
*Rok začiatku štúdia:* 2016
|
|
|
|
|
|
Názov: Paralelné trénovanie neurónových sietí
|
|
|
|
*Meno vedúceho:* Ing. Daniel Hládek, PhD.
|
|
|
|
## Diplomová práca 2021
|
|
|
|
1. Vypracujte prehľad literatúry na tému "Paralelné trénovanie neurónových sietí".
|
|
2. Vyberte vhodnú metódu paralelného trénovania.
|
|
3. Pripravte dáta a vykonajte sadu experimentov pre overenie funkčnosti a výkonu paralelného trénovania.
|
|
4. Navrhnite možné zlepšenia paralelného trénovania neurónových sietí.
|
|
|
|
|
|
|
|
Stretnutie: 5.3.2021
|
|
|
|
Stav:
|
|
|
|
- Urobené trénovanie na dvoch servroch pomocou distributed_data_parallel MNIST.
|
|
- Funguje LUNA dataset (na 1 stroji a na viacerých kartách).
|
|
|
|
|
|
|
|
## Diplomový projekt 2 2020
|
|
|
|
Ciele na semester:
|
|
- Pripraviť tabuľku s výsledkami experimentov v rôznych konfiguráciách
|
|
- Napísať stručný report (cca 8 strán) vo forme článku.
|
|
|
|
Zásobník úloh:
|
|
|
|
- Ten istý scenár spustiť v rôznych podmienkach a zmerať čas.
|
|
- Trénovanie na jednej karte na jednom stroji
|
|
- tesla
|
|
- xavier
|
|
- Trénovanie na dvoch kartách na jednom stroji
|
|
- idoc DONE
|
|
- titan
|
|
- možno trénovanie na 4 kartách na jednom
|
|
- quadra
|
|
- *Trénovanie na dvoch kartách na dvoch strojoch pomocou NCCL (idoc, tesla)*
|
|
- možno trénovanie na 2 kartách na dvoch strojoch (quadra plus idoc).
|
|
|
|
Virtuálne stretnutie 4.12.2020
|
|
|
|
Stav:
|
|
- Vyriešený problém s CUDA Compute Capability. Každý conda baliček podporuje inú verziu CC. Aktuálna verzia Pytorch pracuje iba s Compute Capability 3.7 a viac. Conda Pytorch 1.3 vyžaduje CC 3.7. Tesla karta podporuje iba 3.5. Podpora CC sa dá pridať inštaláciou zo zdroja. Funguje cuda 10.0.
|
|
- Podarilo sa natrénovať MNIST na dvoch strojoch naraz - idoc + tesla. Pytorch 1.4, wrapper distributed_data_paralel. NCCL backend. Na každom stroji sa používa rovnaký počet GPU. GPU môžu byť rôzne.
|
|
|
|
Úlohy:
|
|
|
|
- Doplniť tabuľku podpory CC v Pytorch.
|
|
- Opísať problém s Compute Capability. Čo je to CC?
|
|
- Napísať "tutoriál" ako paralelne trénovať pomocou distributed_data_parallel a NCCL. Napíšte aký setup (verzia pytorch, verzia cuda, požiaadavky na GPU ..) si paralelné trénovanie vyžaduje.
|
|
- Opísať testovacie úlohy ktoré používate
|
|
- Vypracujte tabuľku s vykonanými experimentami.
|
|
- Skúste trénovanie na xavier, skompilovaný Pytorch je v adresári hladek.
|
|
- Quadru prediskutovať (vedúci).
|
|
|
|
|
|
Virtuálne stretnutie 13.11.2020
|
|
|
|
Stav:
|
|
|
|
- Preštudovaná kniha "Deep Learning with PyTorch" o multi GPU tréningu.
|
|
- vyskúšaný LUNA dataset, CT torza pre detekciu rakoviny pľúc - 60GB dát. Dáta sa predpripravia a uložia do cache. 10 epoch trvá 1 hod na bežnom počítači. Nastal problém s "Compute Capability" - kompatibilita verzie CUDA, Pytorch a GPU Tesla V40.
|
|
- vyskúšaný wrapper data_paralel, distribute_data_parallel (trénovanie pytorch v klastri).
|
|
- Pytorch Lightning - cluster trénovanie Pytorch cez Slurm.
|
|
|
|
Úlohy na ďalšie stretnutie:
|
|
|
|
- Pracujte na písomnej časti.
|
|
- Pokračujte na benchmark experimentoch - trénovanie na viacerých strojoch (idoc a tesla) naraz.
|
|
|
|
Virtuálne stretnutie 27.10.2020
|
|
|
|
Stav:
|
|
|
|
- Trénovanie na procesore, na 1 GPU, na 2 GPU na idoc
|
|
- Príprava podkladov na trénovanie na dvoch strojoch pomocou Pytorch.
|
|
- Vytvorený prístup na teslu a xavier.
|
|
|
|
Úlohy na ďďalšie stretnutie:
|
|
- Štdúdium odbornej literatúry a vypracovanie poznámok.
|
|
- Pokračovať v otvorených úlohách zo zásobníka
|
|
- Vypracované skripty uložiť na GIT repozitár
|
|
- vytvorte repozitár dp2021
|
|
|
|
Stretnutie 2.10.2020
|
|
|
|
Urobené https://github.com/LukasPokryvka/YELP-on-GPU
|
|
|
|
- demonštračná úloha pre automatické hodnotenie reštaurácií na základe recenzie v anglickom jazyku, dátová sada yelp.
|
|
- preštudovaná kniha NLP with Pytorch, NLP in Action.
|
|
- trénovanie na NVIDIA RTX2070 Super.
|
|
|
|
Úlohy do ďalšieho stretnutia:
|
|
- Prejsť odborné publikácie na tému "benchmarking" a "parallel training of neural networks".
|
|
- Zapísať si relevantné bibliografické odkazy.
|
|
- Zapísať poznámky
|
|
- Použiť index scopus alebo scholar
|
|
- Trénovanie na jednej karte na jednom stroji
|
|
- tesla.fei.tuke.sk
|
|
- Trénovanie na dvoch kartách na jednom stroji - zistite čas trénovania a spotrebu pamäte.
|
|
- idoc
|
|
|
|
|
|
|
|
## Diplomový projekt 1 2020
|
|
|
|
Paralelné trénovanie neurónových sietí pomocou knižnice Pytorch.
|
|
Úlohy na semester:
|
|
|
|
- podrobne si naštudovať vybranú metódu trénovania neurónových sietí
|
|
- identifikujte možný spôsob paralelizácie
|
|
- natrénujte zvolený model metódou paralelizácie
|
|
|
|
Revízia 11.6:
|
|
|
|
- Prebieha nákup https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-agx-xavier/
|
|
- zatiaľ NCCL nefunguje na Jetson Nano, funguje na Jetson Xavier?
|
|
- Spustenie paralelného trénovania PyTorch https://pytorch.org/docs/stable/distributed.html#launch-utility
|
|
- Spustenie paralelného trénovania Fairseq https://fairseq.readthedocs.io/en/latest/getting_started.html#distributed-training
|
|
|
|
|
|
Revízia 13.5:
|
|
|
|
Pozrite si odkazy na paralelné trénovanie:
|
|
|
|
- Knižnica pre neuronové siete podobná TensorFlow https://pytorch.org
|
|
- Trénovanie WordEmbedding v PyTorch https://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html
|
|
- Toolkit na medziprocesovú komunikáciu https://developer.nvidia.com/nccl Podporuje aj trénovanie na viacerých výpočtových uzloch naraz. PyTorch podporuje NCCL aj Goo toolit
|
|
- Toolkit na medziprocesovú komunikáciu https://github.com/facebookincubator/gloo
|
|
- Paralelné trénovanie pomocou Pytorch https://pytorch.org/docs/stable/distributed.html /
|
|
|
|
|
|
Virtuálne stretnutie 14.4:
|
|
|
|
Nové úlohy:
|
|
|
|
- rozbehať knižnicu NCCL na servri idoc
|
|
- Preskúmať možnosti zakúpenia [NVIDIA Jetson](https://www.banggood.com/NVIDIA-Jetson-Nano-Developer-Embedded-Development-Board-A57-Artificial-Intelligence-AI-Development-Platform-p-1519173.html?gpla=1&gmcCountry=SK¤cy=EUR&createTmp=1&utm_source=googleshopping&utm_medium=cpc_bgs&utm_content=lijing&utm_campaign=ssc-sk-ele-0309&ad_id=424274501985&gclid=Cj0KCQjw2PP1BRCiARIsAEqv-pTspekjYB4EACHoOyFRq41LhNM2dQ532-fTAsjzZPy9-2aH7H9cEh0aAuf0EALw_wcB&cur_warehouse=CN) / pre vedúceho
|
|
- nájsť vhodnú neurónovú sieť ktorá bude vedieť využívať NCCL, optimálne založenú na PyTorchm napr. [Fairseq](https://github.com/pytorch/fairseq)
|
|
|
|
|
|
Revízia 14.4.
|
|
|
|
- Natrénovaný FastText a GenSim word embedding model na slovenských dátach.
|
|
|
|
Revízia 9.4.:
|
|
|
|
Nové úlohy:
|
|
|
|
Natrénujte word embedding model na veľkých dátach (odkaz poskytnutý). Môžete použiť server idoc.
|
|
|
|
|
|
Nové úlohy:
|
|
|
|
- Pozrite si [metódy vyhodnotenia embedding modelov](https://duckduckgo.com/?t=ffab&q=word+embedding+evaluation&ia=web). Ako by ste postupovali pri vyhodnotení slovenského modelu?
|
|
- Pozrite si https://spacy.io/usage/training
|
|
- Pozrite si [repozitáre a výsledky týkajúce sa Spacy](/topics/spacy).
|
|
- Vyhodnotte slovenský spacy model
|
|
|
|
|
|
Stretnutie 9.3.2020
|
|
|
|
Úlohy na ďalšie stretnutie:
|
|
|
|
- Skúste natrénovať slovenský word2vec model podľa tutoriálu: http://spark.apache.org/docs/latest/ml-features.html#word2vec (podľa dát z emailu)
|
|
- Pozrite si niečo o metóde BERT
|
|
|
|
- https://medium.com/huggingface/introducing-fastbert-a-simple-deep-learning-library-for-bert-models-89ff763ad384
|
|
- https://github.com/huggingface/transformers
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## Tímový projekt 2019
|
|
|
|
*Úlohy tímového projektu:*
|
|
|
|
- Vypracujte min. 4 stranový rešerš na tému: "Paralelné spracovanie prirodzeného jazyka" (využitie napr. s word2vec, word embeddings, GloVe, fastText).
|
|
- Citujte min. 10 najvýznamnejších bibliografických zdrojov.
|
|
|
|
*Písomná práca:* [Paralelné spracovanie prirodzeného jazyka](./timovy_projekt)
|
|
|
|
|
|
|
|
- Zaujímavá príručka [Word2vec na Spark](http://spark.apache.org/docs/latest/ml-features.html#word2vec)
|
|
|
|
### Priebeh práce
|
|
|
|
*1. Pokus o natrénovanie modelu pomocou knižnice Gensim*
|
|
|
|
Ako prvý nástroj na zoznámenie sa s trénovaním W2V som zvolil Gensim. Nevýhodou knižnice je, že pri trénovaní nevyužíva GPU v žiadnom prípade. Podľa zdrojov na internete je však Gensim násobne rýchlejšia knižnica pri implementácii na menšie korpusy (https://rare-technologies.com/gensim-word2vec-on-cpu-faster-than-word2veckeras-on-gpu-incubator-student-blog/). Keďže môj korpus má približne 30GB, trénovanie pomocou Gensim by zrejme nebol najlepší nápad. Preto som si z korpusu vytiahol prvých 10,000 riadkov a otestoval implementáciu na tomto súbore. Celý skript je dostupný na [gensim_W2V.py](./dp2021/scripts/gensim_w2v.py).
|
|
Výsledok nebol vôbec presný, čo sa vzhľadom na veľkosť korpusu dalo očakávať. Pri slove letisko bola však zhoda vysoká, čo potvrdzuje správnosť implementácie.
|
|
|
|
|
|
|
|
Keďže som mal problém skript s plným korpusom spustiť na školskom serveri, v ďalšom riešení chcem využiť aj GPU. V úvahu pripadá aj rozdelenie korpusu na viacero častí s tým, že sa zachová kontext.
|
|
|
|
*2. Natrénovanie slovenského modelu pomocou knižnice fasttext*
|
|
|
|
Ako druhú možnosť na natrénovanie slovenského modelu som využil fasttext, knižnicu od Facebook-u. Prostredie a všetky dependencies som si vytvoril pomocou Anacondy. Následne som si naklonoval projekt z gitu (https://github.com/facebookresearch/fastText.git). Fasstext poskytuje jednoduchý nástroj na vyčistenie dát, ktorý všetky slová pretransformuje na lowercase a oddelí ich od čiarok, bodiek, atď... Následne je potrebné správne nastaviť spúšťacie parametre a zvoliť si metódu CBOW alebo skip-gram. V mojom prípade som zvolil 2-gram, dimenzionalitu vektorov 200, a nastavil som počet epochov na 10, pomocou ktorých sa vhybovosť výrazne znížila. Taktiež je možné nastaviť, koľko jadier procesora sa má využívať pre multi-threading. Na dátach o veľkosti približne 13GB trvalo trénovanie takmer 24 hodín. Výstupom su 2 súbory *.bin a *.vec. Prvý súbor obsahuje celý natrénovaný model a môže byť ďalej používaný a načítavaný podľa potreby, druhý súbor obsahuje vektory slov, jeden riadok pre každé slovo.
|