检查点

使用 Accelerate 训练 PyTorch 模型时，您可能经常需要保存并继续训练状态。这需要保存和加载模型、优化器、RNG 生成器以及 GradScaler。Accelerate 内部提供了两个便捷函数来快速实现此功能：

使用 save_state() 将上述所有内容保存到文件夹位置
使用 load_state() 加载之前通过 save_state 保存的所有内容

为了进一步自定义通过 save_state() 保存状态的位置和方式，可以使用 ProjectConfiguration 类。例如，如果启用了 automatic_checkpoint_naming，则每个保存的检查点都将位于 Accelerator.project_dir/checkpoints/checkpoint_{checkpoint_number}。

需要指出的是，预期这些状态来自同一个训练脚本，而不是来自两个独立的脚本。

通过使用 register_for_checkpointing()，您可以注册自定义对象，以便自动将其存储或从上述两个函数中加载，前提是该对象具有 state_dict 和 load_state_dict 功能。这可以包括学习率调度器等对象。

下面是一个使用检查点（checkpointing）在训练过程中保存和重新加载状态的简要示例：

from accelerate import Accelerator
import torch

accelerator = Accelerator(project_dir="my/save/path")

my_scheduler = torch.optim.lr_scheduler.StepLR(my_optimizer, step_size=1, gamma=0.99)
my_model, my_optimizer, my_training_dataloader = accelerator.prepare(my_model, my_optimizer, my_training_dataloader)

# Register the LR scheduler
accelerator.register_for_checkpointing(my_scheduler)

# Save the starting state
accelerator.save_state()

device = accelerator.device
my_model.to(device)

# Perform training
for epoch in range(num_epochs):
    for batch in my_training_dataloader:
        my_optimizer.zero_grad()
        inputs, targets = batch
        inputs = inputs.to(device)
        targets = targets.to(device)
        outputs = my_model(inputs)
        loss = my_loss_function(outputs, targets)
        accelerator.backward(loss)
        my_optimizer.step()
    my_scheduler.step()

# Restore the previous state
accelerator.load_state("my/save/path/checkpointing/checkpoint_0")

恢复 DataLoader 的状态

从检查点恢复后，如果状态是在一个 epoch 的中间保存的，可能还需要从当前 DataLoader 的特定位置继续。您可以使用 skip_first_batches() 来实现这一点。

from accelerate import Accelerator

accelerator = Accelerator(project_dir="my/save/path")

train_dataloader = accelerator.prepare(train_dataloader)
accelerator.load_state("my_state")

# Assume the checkpoint was saved 100 steps into the epoch
skipped_dataloader = accelerator.skip_first_batches(train_dataloader, 100)

# After the first iteration, go back to `train_dataloader`

# First epoch
for batch in skipped_dataloader:
    # Do something
    pass

# Second epoch
for batch in train_dataloader:
    # Do something
    pass

Update on GitHub