diff --git a/README.md b/README.md index f2bd3501..74090646 100644 --- a/README.md +++ b/README.md @@ -61,7 +61,8 @@ python -m spacy download en ### 扩展教程 - [Extend-1. BertEmbedding的各种用法](https://fastnlp.readthedocs.io/zh/latest/tutorials/extend_1_bert_embedding.html) -- [Extend-2. 使用fitlog 辅助 fastNLP 进行科研](https://fastnlp.readthedocs.io/zh/latest/tutorials/extend_2_fitlog.html) +- [Extend-2. 分布式训练简介](https://fastnlp.readthedocs.io/zh/latest/tutorials/extend_2_dist.html) +- [Extend-3. 使用fitlog 辅助 fastNLP 进行科研](https://fastnlp.readthedocs.io/zh/latest/tutorials/extend_3_fitlog.html) ## 内置组件 diff --git a/docs/source/index.rst b/docs/source/index.rst index e175dd94..4db6dea6 100644 --- a/docs/source/index.rst +++ b/docs/source/index.rst @@ -35,6 +35,9 @@ API 文档 fastNLP + +:doc:`API变动列表 ` + fitlog文档 ---------- diff --git a/docs/source/tutorials/extend_2_dist.rst b/docs/source/tutorials/extend_2_dist.rst new file mode 100644 index 00000000..b8175306 --- /dev/null +++ b/docs/source/tutorials/extend_2_dist.rst @@ -0,0 +1,223 @@ +Distributed Parallel Training +============================= + +原理 +---- + +随着深度学习模型越来越复杂，单个GPU可能已经无法满足正常的训练。比如BERT等预训练模型，更是在多个GPU上训练得到的。为了使用多GPU训练，Pytorch框架已经提供了 +`nn.DataParallel `_ 以及 +`nn.DistributedDataParallel `_ 两种方式的支持。 +`nn.DataParallel `_ +很容易使用，但是却有着GPU负载不均衡，单进程速度慢等缺点，无法发挥出多GPU的全部性能。因此，分布式的多GPU训练方式 +`nn.DistributedDataParallel `_ +是更好的选择。然而，因为分布式训练的特点， +`nn.DistributedDataParallel `_ +常常难以理解和使用，也很难debug。所以，在使用分布式训练之前，需要理解它的原理。 + +在使用 +`nn.DistributedDataParallel `_ +时，模型会被复制到所有使用的GPU，通常每个GPU上存有一个模型，并被一个单独的进程控制。这样有N块GPU，就会产生N个进程。当训练一个batch时，这一batch会被分为N份，每个进程会使用batch的一部分进行训练，然后在必要时进行同步，并通过网络传输需要同步的数据。这时，只有模型的梯度会被同步，而模型的参数不会，所以能缓解大部分的网络传输压力，网络传输不再是训练速度的瓶颈之一。你可能会好奇，不同步模型的参数，怎么保证不同进程所训练的模型相同？只要每个进程初始的模型是同一个，具有相同的参数，而之后每次更新，都使用相同的梯度，就能保证梯度更新后的模型也具有相同的参数了。 + +为了让每个进程的模型初始化完全相同，通常这N个进程都是由单个进程复制而来的，这时需要对分布式的进程进行初始化，建立相互通信的机制。在 +Pytorch 中，我们用 +`distributed.init_process_group `_ +函数来完成，需要在程序开头就加入这一步骤。初始化完成后，每一个进程用唯一的编号 +``rank`` 进行区分，从 0 到 N-1递增，一般地，我们将 ``rank`` 为 0 +的进程当作主进程，而其他 ``rank`` 的进程为子进程。每个进程还要知道 +``world_size`` ，即分布式训练的总进程数 +N。训练时，每个进程使用batch的一部分，互相不能重复，这里通过 +`nn.utils.data.DistributedSampler `_ +来实现。 + +使用方式 +-------- + +Pytorch的分布式训练使用起来非常麻烦，难以理解，可以从给出的\ `官方教程 `_ \ 中看到。而\ ``fastNLP`` +提供了 +``DistTrainer``\ ，将大部分的分布式训练的细节进行了封装，只需简单的改动训练代码，就能直接用上分布式训练。那么，具体怎么将普通的训练代码改成支持分布式训练的代码呢。下面我们来讲一讲分布式训练的完整流程。通常，分布式程序的多个进程是单个进程的复制。假设我们用N个GPU进行分布式训练，我们需要启动N个进程，这时，在命令行使用： + +.. code:: shell + + python -m torch.distributed.launch --nproc_per_node=N train_script.py --args + +其中\ ``N``\ 是需要启动的进程数，\ ``train_script.py``\ 为训练代码，\ ``--args``\ 是自定义的命令行参数。在启动了N个进程之后，如果我们在\ ``train_script.py``\ 的训练代码中正常配置，分布式训练就能正常进行。 + +此外，还可以使用环境变量\ ``CUDA_VISIBLE_DEVICES``\ 设置指定的GPU，比如在8卡机器上使用编号为4,5,6,7的4块GPU： + +.. code:: shell + + CUDA_VISIBLE_DEVICES=4,5,6,7 python -m torch.distributed.launch --nproc_per_node=N train_script.py --args + +在 ``train_script.py`` +训练代码中，有一些必须的配置。为了清晰的叙述，这里放一个简单的分布式训练代码，省去多余细节： + +.. code:: python + + import torch.distributed as dist + from fastNLP import DistTrainer, get_local_rank + import fastNLP as fnlp + + def main(options): + # options为训练所需的参数，batch_size等 + + set_seed(options.seed) + + # 初始化分布式进程 + dist.init_process_group('nccl') + + ######## 读取数据 + if get_local_rank() != 0: + dist.barrier() # 先让主进程(rank==0)先执行，进行数据处理，预训模型参数下载等操作，然后保存cache + data = get_processed_data() + model = get_model(data.get_vocab("words"), data.get_vocab("target")) + if get_local_rank() == 0: + dist.barrier() # 主进程执行完后，其余进程开始读取cache + ######## + + # 初始化Trainer，训练等，与普通训练差别不大 + def get_trainer(model, data): + # 注意设置的callback有两种，一种只在主进程执行，一种在所有进程都执行 + callbacks_master = [fnlp.FitlogCallback()] + callbacks_all = [fnlp.WarmupCallback(warmup=options.warmup)] + trainer = DistTrainer( + save_path='save', + train_data=data.get_dataset("train"), + dev_data=data.get_dataset("dev"), + model=model, + loss=fnlp.CrossEntropyLoss(), + metrics=fnlp.AccuracyMetric(), + metric_key="acc", + optimizer=fnlp.AdamW(model.parameters(), lr=options.lr), + callbacks_master=callbacks_master, # 仅在主进程执行（如模型保存，日志记录） + callbacks_all=callbacks_all, # 在所有进程都执行（如梯度裁剪，学习率衰减） + batch_size_per_gpu=options.batch_size, # 指定每个GPU的batch大小 + update_every=options.update, + n_epochs=options.epochs, + use_tqdm=True, + ) + return trainer + + trainer = get_trainer(model, data) + trainer.train() + +指定进程编号 +^^^^^^^^^^^^ + +首先，为了区分不同的进程，初始时需要对每个进程传入\ ``rank``\ 。这里一般分为\ ``node_rank``\ 和\ ``local_rank``\ ，分别表示进程处于哪一机器以及同机器上处于第几进程。如果在单一机器上，\ ``node_rank``\ 可以省略。\ ``local_rank``\ 一般通过命令行参数\ ``--local_rank``\ 传入，为\ ``int``\ 类型。也可以通过环境变量传入\ ``local_rank``\ ，只需在\ ``torch.distributed.launch``\ 时，使用\ ``--use_env``\ 参数。无论哪种方式，在训练脚本中，都要获取到\ ``local_rank``\ ，用于初始化分布式通信，以及区分进程。如果你使用\ ``fastNLP``\ ，可以通过\ ``fastNLP.get_local_rank``\ 来得到\ ``local_rank``\ 。 + +初始化进程 +^^^^^^^^^^ + +在获取了\ ``local_rank``\ 等重要参数后，在开始训练前，我们需要建立不同进程的通信和同步机制。这时我们使用\ `torch.distributed.init_process_group `_ +来完成。通常，我们只需要 ``torch.distributed.init_process_group('nccl')`` +来指定使用\ ``nccl``\ 后端来进行同步即可。其他参数程序将读取环境变量自动设置。如果想手动设置这些参数，比如，使用TCP进行通信，可以设置： + +.. code:: python + + init_process_group('nccl', init_method='tcp://localhost:55678', + rank=args.rank, world_size=N) + +或者使用文件进行通信： + +.. code:: python + + init_process_group('nccl', init_method='file:///mnt/nfs/sharedfile', + world_size=N, rank=args.rank) + +注意，此时必须显式指定\ ``world_size``\ 和\ ``rank``\ ，具体可以参考 +`torch.distributed.init_process_group `_ +的使用文档。 + +在初始化分布式通信后，再初始化\ ``DistTrainer``\ ，传入数据和模型，就完成了分布式训练的代码。代码修改完成后，使用上面给出的命令行启动脚本，就能成功运行分布式训练。但是，如果数据处理，训练中的自定义操作比较复杂，则可能需要额外的代码修改。下面列出一些需要特别注意的地方，在使用分布式训练前，请仔细检查这些事项。 + +注意事项 +-------- + +在执行完 +`torch.distributed.init_process_group `_ +后，我们就可以在不同进程间完成传输数据，进行同步等操作。这些操作都可以在\ `torch.distributed `_ +中找到。其中，最重要的是 +`barrier `_ +以及 +`get_rank `_ +操作。对于训练而言，我们关心的是读入数据，记录日志，模型初始化，模型参数更新，模型保存等操作。这些操作大多是读写操作，在多进程状态下，这些操作都必须小心进行，否则可能出现难以预料的bug。而在\ ``fastNLP``\ 中，大部分操作都封装在 +``DistTrainer`` 中，只需保证数据读入和模型初始化正确即可完成训练。 + +写操作 +^^^^^^ + +一般而言，读入操作需要在每一个进程都执行，因为每个进程都要使用读入的数据和模型参数进行训练。而写出操作只需在其中一个进程（通常为主进程）执行，因为每一个进程保存的模型都相同，都处于同一训练状态。所以，通常单进程的训练脚本中，只需要修改写出操作的部分，通过加入对进程\ ``rank``\ 的判断，仅让其中一个进程执行写操作： + +.. code:: python + + import torch.distributed as dist + + # 仅在主进程才执行 + if dist.get_rank() == 0: + do_wirte_op() # 一些写操作 + dist.barrier() # 确保写完成后，所有进程再执行（若进程无需读入写出的数据，可以省去） + +若使用\ ``fastNLP``\ 中的\ ``DistTrainer``\ ，也可以这样写： + +.. code:: python + + # 判断是否是主进程的trainer + if trainer.is_master: + do_wirte_op() + dist.barrier() + +读操作 +^^^^^^ + +然而有些时候，我们需要其中一个进程先执行某些操作，等这一进程执行完后，其它进程再执行这一操作。比如，在读入数据时，我们有时需要从网上下载，再处理，将处理好的数据保存，供反复使用。这时，我们不需要所有进程都去下载和处理数据，只需要主进程进行这些操作，其它进程等待。直到处理好的数据被保存后，其他进程再从保存位置直接读入数据。这里可以参考范例代码中的读取数据： + +.. code:: python + + if dist.get_rank() != 0: + dist.barrier() # 先让主进程(rank==0)先执行，进行数据处理，预训模型参数下载等操作，然后保存cache + + # 这里会自动处理数据，或直接读取保存的cache + data = get_processed_data() + model = get_model(data.get_vocab("words"), data.get_vocab("target")) + + if dist.get_rank() == 0: + dist.barrier() # 主进程执行完后，其余进程开始读取cache + +也可以显式的将主进程和其它进程的操作分开： + +.. code:: python + + if dist.get_rank() == 0: + data = do_data_processing() # 数据处理 + dist.barrier() + else: + dist.barrier() + data = load_processed_data() # 读取cache + +日志操作 +^^^^^^^^ + +通常，我们需要知道训练的状态，如当前在第几个epoch，模型当前的loss等等。单进程训练时，我们可以直接使用\ ``print``\ 将这些信息输出到命令行或日志文件。然而，在多进程时，\ ``print``\ 会导致同样的信息在每一进程都输出，造成问题。这一问题和写操作类似，也可以通过判断进程的编号之后再输出。问题是，日志通常在训练的很多地方都有输出，逐一加上判断代码是非常繁琐的。这里，建议统一修改为： + +.. code:: python + + from fastNLP import logger + logger.info('....') # 替换print + +在\ ``DistTrainer``\ 中，主进程的\ ``logger``\ 级别为\ ``INFO``\ ，而其它进程为\ ``WARNING``\ 。这样级别为\ ``INFO``\ 的信息只会在主进程输出，不会造成日志重复问题。若需要其它进程中的信息，可以使用\ ``logger.warning``\ 。 + +注意，\ ``logger``\ 的级别设置只有初始化了\ ``DistTrainer``\ 后才能生效。如果想要在初始化进程后就生效，需要在分布式通信初始化后，执行\ ``init_logger_dist``\ 。 + +Callback +^^^^^^^^ + +``fastNLP``\ 的一个特色是可以使用\ ``Callback``\ 在训练时完成各种自定义操作。而这一特色在\ ``DistTrainer``\ 中得以保留。但是，这时需要特别注意\ ``Callback``\ 是否只需要在主进程执行。一些\ ``Callback``\ ，比如调整学习率，梯度裁剪等，会改变模型的状态，因此需要在所有进程上都执行，将它们通过\ ``callback_all``\ 参数传入\ ``DistTrainer``\ 。而另一些\ ``Callback``\ ，比如\ ``fitlog``\ ，保存模型，不会改变模型的状态，而是进行数据写操作，因此仅在主进程上执行，将它们通过\ ``callback_master``\ 传入。 + +在自定义\ ``Callback``\ 时，请遵循一个原则，改变训练或模型状态的操作在所有进程中执行，而数据写到硬盘请在主进程单独进行。这样就能避免进程间失去同步，或者磁盘写操作的冲突。 + +Debug +^^^^^ + +多进程的程序很难进行debug，如果出现问题，可以先参考报错信息进行处理。也可以在程序中多输出日志，定位问题。具体情况，具体分析。在debug时，要多考虑进程同步和异步的操作，判断问题是程序本身导致的，还是由进程间没有同步而产生。 + +其中，有一个常见问题是程序卡住不动。具体表现为训练暂停，程序没有输出，但是GPU利用率保持100%。这一问题是由进程失去同步导致的。这时只能手动\ ``kill``\ GPU上残留的进程，再检查代码。需要检查进程同步的位置，比如模型\ ``backward()``\ 时，\ ``barrier()``\ 时等。同时，也要检查主进程与其它进程操作不同的位置，比如存储模型，evaluate模型时等。注意，失去同步的位置可能并不是程序卡住的位置，所以需要细致的检查。 diff --git a/docs/source/tutorials/extend_2_fitlog.rst b/docs/source/tutorials/extend_3_fitlog.rst similarity index 100% rename from docs/source/tutorials/extend_2_fitlog.rst rename to docs/source/tutorials/extend_3_fitlog.rst diff --git a/docs/source/user/api_update.rst b/docs/source/user/api_update.rst new file mode 100644 index 00000000..08a6bdbe --- /dev/null +++ b/docs/source/user/api_update.rst @@ -0,0 +1,15 @@ +=========================== +API变动列表 +=========================== + +2020.4.14 +======================== + +修改了 :class:`fastNLP.core.callback.ControlC` 的 API。 + +原来的参数 ``quit_all`` 修改为 ``quit_and_do`` ，仍然接收一个 bool 值。新增可选参数 ``action`` ，接收一个待执行的函数， +在 ``quit_and_do`` 的值为 ``True`` 时，退出训练过程后执行该函数。 ``action`` 的默认值是退出整个程序，与原有功能一致。 + +.. note:: + 原有用法 `ControlC(True)` 和 `ControlC(False)` 均可以继续正确执行，但 `ControlC(quit_all=True/False)` 需要修改为 + `ControlC(quit_and_do=True/False)` 。 \ No newline at end of file diff --git a/docs/source/user/tutorials.rst b/docs/source/user/tutorials.rst index c9ef661a..7296ea72 100644 --- a/docs/source/user/tutorials.rst +++ b/docs/source/user/tutorials.rst @@ -21,4 +21,5 @@ fastNLP 详细使用教程 :maxdepth: 1 拓展阅读1：BertEmbedding的各种用法 - 拓展阅读2：使用fitlog 辅助 fastNLP 进行科研 + 拓展阅读2：分布式训练简介 + 拓展阅读3：使用fitlog 辅助 fastNLP 进行科研 diff --git a/fastNLP/core/callback.py b/fastNLP/core/callback.py index 84c2656a..c1ead8c5 100644 --- a/fastNLP/core/callback.py +++ b/fastNLP/core/callback.py @@ -695,20 +695,26 @@ class ControlC(Callback): 检测到 control+C 时的反馈 """ - def __init__(self, quit_all): + @staticmethod + def quit_all(): + import sys + sys.exit(0) # 直接退出程序 + + def __init__(self, quit_and_do, action=quit_all): r""" - :param bool quit_all: 若为True,则检测到control+C 直接退出程序；否则只退出Trainer + :param bool quit_and_do: 若为True,则检测到control+C 进行后续操作（默认值为：直接退出程序）；否则只退出Trainer。 """ + super(ControlC, self).__init__() - if type(quit_all) != bool: - raise ValueError("In KeyBoardInterrupt, quit_all arguemnt must be a bool.") - self.quit_all = quit_all + if type(quit_and_do) != bool: + raise ValueError("In KeyBoardInterrupt, quit_and_do arguemnt must be a bool.") + self.quit_and_do = quit_and_do + self.action = action def on_exception(self, exception): if isinstance(exception, KeyboardInterrupt): - if self.quit_all is True: - import sys - sys.exit(0) # 直接退出程序 + if self.quit_and_do is True: + self.action() else: pass else: @@ -809,7 +815,7 @@ class TensorboardCallback(Callback): .. warning:: fastNLP 已停止对此功能的维护，请等待 fastNLP 兼容 PyTorch1.1 的下一个版本。 - 或者使用和 fastNLP 高度配合的 fitlog（参见 :doc:`/tutorials/extend_2_fitlog` ）。 + 或者使用和 fastNLP 高度配合的 fitlog（参见 :doc:`/tutorials/extend_3_fitlog` ）。 """ diff --git a/fastNLP/core/dist_trainer.py b/fastNLP/core/dist_trainer.py index 30d68deb..726a5e60 100644 --- a/fastNLP/core/dist_trainer.py +++ b/fastNLP/core/dist_trainer.py @@ -19,6 +19,7 @@ from pkg_resources import parse_version from torch.nn.parallel import DistributedDataParallel as DDP from torch.utils.data.distributed import DistributedSampler from tqdm import tqdm +import time from ._logger import logger, init_logger_dist from .batch import DataSetIter, BatchIter @@ -175,8 +176,12 @@ class DistTrainer(): self.test_manager.add_callback([cb], master=True) # Setup logging - dist.barrier() - self.start_time = datetime.now().strftime('%m_%d_%Y-%H_%M') + # 同步start_time + sync_time = torch.tensor(time.time(), dtype=torch.double).to(self.device) + dist.broadcast(sync_time, src=0) + self.start_time = datetime.fromtimestamp(sync_time.item()).strftime('%Y-%m-%d-%H-%M-%S-%f') + # print('sync_time: {}, start_time: {}'.format(sync_time, self.start_time)) + if self.save_path: self.cp_save_path = self.save_path else: @@ -208,9 +213,7 @@ class DistTrainer(): return contextlib.ExitStack() # dummy contextmanager def _get_n_steps(self): - batch_size = self.world_size * self.batch_size_per_gpu - return (len(self.train_data) // batch_size + int( - len(self.train_data) % batch_size != 0)) * int(self.drop_last == 0) * self.n_epochs + return len(self.data_iterator) * self.n_epochs def _get_data_iter(self, dataset): if isinstance(dataset, DataSet): @@ -432,8 +435,9 @@ class DistTrainer(): model_load = model_load.state_dict() self.model.load_state_dict(model_load) - def _best_save_name(self): - return "best_" + "_".join([self.model.__class__.__name__, self.metric_key, self.start_time]) + def _best_save_name(self, auto_fix=True): + best_name = "best_" + "_".join([self.model.__class__.__name__, str(self.metric_key), self.start_time]) + return best_name def _do_validation(self): with self.ddp_model.no_sync(): @@ -447,12 +451,26 @@ class DistTrainer(): is_better = is_better[0] else: eval_res, is_better = None, None + if self.metric_key is None and eval_res is not None: + eval_res0 = list(eval_res.values())[0] + self.metric_key = list(eval_res0.keys())[0] # logger.info('{}, {}'.format(eval_res, is_better)) # save better model on master node if is_better is not None and self.cp_save_path: if is_better: self.save_check_point(self._best_save_name(), only_params=False) dist.barrier() + + if not self.is_master and self.metric_key is None: + # 主进程自动得到了metric_key，而其它进程没有 + prefix = 'best_' + self.model.__class__.__name__ + suffix = self.start_time + fn_list = os.listdir(self.cp_save_path) + fn_list = [fn for fn in fn_list if fn.startswith(prefix) and fn.endswith(suffix)] + if len(fn_list) == 1: + best_name = fn_list[0] + self.metric_key = best_name[len(prefix):-len(suffix)].strip('_') + # print('RANK {} metric_key {}'.format(self.rank, self.metric_key)) self.callback_manager.on_valid_end( eval_res, self.metric_key, self.optimizer, is_better) self.ddp_model.train() diff --git a/test/core/test_callbacks.py b/test/core/test_callbacks.py index e756040c..165d7004 100644 --- a/test/core/test_callbacks.py +++ b/test/core/test_callbacks.py @@ -12,7 +12,7 @@ from fastNLP import Instance from fastNLP import SGD from fastNLP import Trainer from fastNLP.core.callback import EarlyStopCallback, GradientClipCallback, LRScheduler, ControlC, \ - LRFinder, TensorboardCallback + LRFinder, TensorboardCallback, Callback from fastNLP.core.callback import EvaluateCallback, FitlogCallback, SaveModelCallback from fastNLP.core.callback import WarmupCallback from fastNLP.models.base_model import NaiveClassifier @@ -225,39 +225,32 @@ class TestCallback(unittest.TestCase): metrics=AccuracyMetric(pred="predict", target="y"), use_tqdm=True, callbacks=EarlyStopCallback(1), check_code_level=2) trainer.train() - -@unittest.skipIf('TRAVIS' in os.environ, "Skip in travis") -def test_control_C(): - # 用于测试 ControlC , 再两次训练时用 Control+C 进行退出，如果最后不显示 "Test failed!" 则通过测试 - from fastNLP import ControlC, Callback - import time - - line1 = "\n\n\n\n\n*************************" - line2 = "*************************\n\n\n\n\n" - - class Wait(Callback): - def on_epoch_end(self): - time.sleep(5) - - data_set, model = prepare_env() - - print(line1 + "Test starts!" + line2) - trainer = Trainer(data_set, model, optimizer=SGD(lr=0.1), loss=BCELoss(pred="predict", target="y"), - batch_size=32, n_epochs=20, dev_data=data_set, - metrics=AccuracyMetric(pred="predict", target="y"), use_tqdm=True, - callbacks=[Wait(), ControlC(False)], check_code_level=2) - trainer.train() - - print(line1 + "Program goes on ..." + line2) - - trainer = Trainer(data_set, model, optimizer=SGD(lr=0.1), loss=BCELoss(pred="predict", target="y"), - batch_size=32, n_epochs=20, dev_data=data_set, - metrics=AccuracyMetric(pred="predict", target="y"), use_tqdm=True, - callbacks=[Wait(), ControlC(True)], check_code_level=2) - trainer.train() - - print(line1 + "Test failed!" + line2) - - -if __name__ == "__main__": - test_control_C() + + def test_control_C_callback(self): + + class Raise(Callback): + def on_epoch_end(self): + raise KeyboardInterrupt + + flags = [False] + + def set_flag(): + flags[0] = not flags[0] + + data_set, model = prepare_env() + + trainer = Trainer(data_set, model, optimizer=SGD(lr=0.1), loss=BCELoss(pred="predict", target="y"), + batch_size=32, n_epochs=20, dev_data=data_set, + metrics=AccuracyMetric(pred="predict", target="y"), use_tqdm=True, + callbacks=[Raise(), ControlC(False, set_flag)], check_code_level=2) + trainer.train() + + self.assertEqual(flags[0], False) + + trainer = Trainer(data_set, model, optimizer=SGD(lr=0.1), loss=BCELoss(pred="predict", target="y"), + batch_size=32, n_epochs=20, dev_data=data_set, + metrics=AccuracyMetric(pred="predict", target="y"), use_tqdm=True, + callbacks=[Raise(), ControlC(True, set_flag)], check_code_level=2) + trainer.train() + + self.assertEqual(flags[0], True)