背景

pytorch作為深度學(xué)習(xí)的計(jì)算框架正得到越來(lái)越多的應(yīng)用.

我們除了在模型訓(xùn)練階段應(yīng)用外，最近也把pytorch應(yīng)用在了部署上.

在部署時(shí)，為了減少計(jì)算量，可以考慮使用16位浮點(diǎn)模型，而訓(xùn)練時(shí)涉及到梯度計(jì)算，需要使用32位浮點(diǎn)，這種精度的不一致經(jīng)過(guò)測(cè)試，模型性能下降有限，可以接受.

但是推斷時(shí)計(jì)算量可以降低一半，同等計(jì)算資源下，并發(fā)度可提升近一倍

具體方法

在pytorch中，一般模型定義都繼承torch.nn.Moudle，torch.nn.Module基類的half()方法會(huì)把所有參數(shù)轉(zhuǎn)為16位浮點(diǎn)，所以在模型加載后，調(diào)用一下該方法即可達(dá)到模型切換的目的.接下來(lái)只需要在推斷時(shí)把input的tensor切換為16位浮點(diǎn)即可

另外還有一個(gè)小的trick，在推理過(guò)程中模型輸出的tensor自然會(huì)成為16位浮點(diǎn)，如果需要新創(chuàng)建tensor，最好調(diào)用已有tensor的new_zeros，new_full等方法而不是torch.zeros和torch.full，前者可以自動(dòng)繼承已有tensor的類型，這樣就不需要到處增加代碼判斷是使用16位還是32位了，只需要針對(duì)input tensor切換.

補(bǔ)充：pytorch 使用amp.autocast半精度加速訓(xùn)練

準(zhǔn)備工作

pytorch 1.6+

如何使用autocast？

根據(jù)官方提供的方法，

答案就是autocast + GradScaler。

如何在PyTorch中使用自動(dòng)混合精度？

答案：autocast + GradScaler。

1.autocast

正如前文所說(shuō)，需要使用torch.cuda.amp模塊中的autocast 類。使用也是非常簡(jiǎn)單的

from torch.cuda.amp import autocast as autocast

# 創(chuàng)建model，默認(rèn)是torch.FloatTensor
model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)

for input, target in data:
    optimizer.zero_grad()

    # 前向過(guò)程(model + loss)開(kāi)啟 autocast
    with autocast():
        output = model(input)
        loss = loss_fn(output, target)

    # 反向傳播在autocast上下文之外
    loss.backward()
    optimizer.step()

2.GradScaler

GradScaler就是梯度scaler模塊，需要在訓(xùn)練最開(kāi)始之前實(shí)例化一個(gè)GradScaler對(duì)象。

因此PyTorch中經(jīng)典的AMP使用方式如下：

from torch.cuda.amp import autocast as autocast

# 創(chuàng)建model，默認(rèn)是torch.FloatTensor
model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)
# 在訓(xùn)練最開(kāi)始之前實(shí)例化一個(gè)GradScaler對(duì)象
scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()

        # 前向過(guò)程(model + loss)開(kāi)啟 autocast
        with autocast():
            output = model(input)
            loss = loss_fn(output, target)

        scaler.scale(loss).backward()
        scaler.step(optimizer)
        scaler.update()

3.nn.DataParallel

單卡訓(xùn)練的話上面的代碼已經(jīng)夠了，親測(cè)在2080ti上能減少至少1/3的顯存，至于速度。。。

要是想多卡跑的話僅僅這樣還不夠，會(huì)發(fā)現(xiàn)在forward里面的每個(gè)結(jié)果都還是float32的，怎么辦？

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()

    def forward(self, input_data_c1):
     with autocast():
      # code
     return

只要把forward里面的代碼用autocast代碼塊方式運(yùn)行就好啦！

自動(dòng)進(jìn)行autocast的操作

如下操作中tensor會(huì)被自動(dòng)轉(zhuǎn)化為半精度浮點(diǎn)型的torch.HalfTensor：

1、matmul

2、addbmm

3、addmm

4、addmv

5、addr

6、baddbmm

7、bmm

8、chain_matmul

9、conv1d

10、conv2d

11、conv3d

12、conv_transpose1d

13、conv_transpose2d

14、conv_transpose3d

15、linear

16、matmul

17、mm

18、mv

19、prelu

那么只有這些操作才能半精度嗎？不是。其他操作比如rnn也可以進(jìn)行半精度運(yùn)行，但是需要自己手動(dòng)，暫時(shí)沒(méi)有提供自動(dòng)的轉(zhuǎn)換。

最新評(píng)論