在DLC中使用EPL实现训练加速 - 人工智能平台 PAI

EPL（Easy Parallel Library）是高效易用的分布式模型训练框架，深度集成多种训练优化技术，提供了简单易用的API实现各种并行化策略。您可以使用EPL实现低成本、高性能分布式模型训练。本文为您介绍如何在DLC中使用EPL高效地进行分布式TensorFlow训练。

前提条件

在开始执行操作之前，请确认您已经完成以下准备工作：

已为DLC服务关联角色授权，详情请参见云产品依赖与授权：DLC。
已安装镜像环境：官方镜像或社区镜像（NVIDIA TensorFlow 1.15或TensorFlow-GPU 1.15）。
- 如果您使用的是官方镜像（官方镜像（由PAI团队提供优化的镜像），可以直接使用EPL，无需安装。
- 如果您使用的是社区镜像（社区镜像（由社区提供的标准镜像）），则需要先安装EPL才能使用。关于如何安装EPL，详情请参见安装EPL。
说明
如果您使用的是DLC平台，建议镜像选择社区镜像：tensorflow-training:1.15-gpu-py36-cu100-ubuntu18.04。您可以在DLC中提交执行命令安装EPL，无需单独安装。

您可以使用EPL编写TensorFlow分布式训练代码，详情请参见快速开始。

您也可以使用EPL代码示例快速开始分布式TensorFlow训练，本方案使用ResNet-50训练数据配置代码集，您可以使用该代码集提交TensorFlow训练任务，且每次进行模型训练时会自动克隆最新的版本，关于如何配置代码集，具体操作步骤如下所示。

进入代码配置页面。
1. 登录PAI控制台。
2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。
3. 在工作空间页面的左侧导航栏选择AI资产管理 > 代码配置，进入代码配置页面。
在代码配置页面，单击新建代码配置。
在新建代码配置页面配置参数，并单击提交。
其中Git地址为https://github.com/alibaba/EasyParallelLibrary.git，代码分支为main。其他参数配置详情请参见代码配置。

进入新建任务页面。
1. 登录PAI控制台，在页面上方选择目标地域，并在右侧选择目标工作空间，然后单击进入DLC。
2. 在分布式训练（DLC）页面，单击新建任务。

在新建任务页面，配置基本信息和任务资源配置，其他参数配置详情，请参见创建训练任务。然后单击提交。

基本信息参数配置如下。

参数	使用示例值
资源配额	公共资源组。
任务名称	自定义训练任务名称。
节点镜像	选择社区镜像>tensorflow-training:1.15-gpu-py36-cu100-ubuntu18.04。
框架	TensorFlow。
代码配置	在在线配置下拉选项中选择在步骤一中配置的代码集。
代码分支	main。
执行命令	`apt update apt install libnccl2 libnccl-dev cd /root/code/EasyParallelLibrary/ pip install . cd examples/resnet bash scripts/train_dp.sh`

任务资源配置参数配置如下所示。
参数
使用示例值
节点数量
配置为2。您可以根据实际训练需求配置该参数。
节点配置
在GPU实例页签选择ecs.gn6v-c8g1.2xlarge。
最长运行时长
2小时。