欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

解决Pytorch半精度浮点型网络训练的问题

程序员文章站 2022-03-26 15:09:11
用pytorch1.0进行半精度浮点型网络训练需要注意下问题:1、网络要在gpu上跑,模型和输入样本数据都要cuda().half()2、模型参数转换为half型,不必索引到每层,直接model.cu...

用pytorch1.0进行半精度浮点型网络训练需要注意下问题:

1、网络要在gpu上跑,模型和输入样本数据都要cuda().half()

2、模型参数转换为half型,不必索引到每层,直接model.cuda().half()即可

3、对于半精度模型,优化算法,adam我在使用过程中,在某些参数的梯度为0的时候,更新权重后,梯度为零的权重变成了nan,这非常奇怪,但是adam算法对于全精度数据类型却没有这个问题。

另外,sgd算法对于半精度和全精度计算均没有问题。

还有一个问题是不知道是不是网络结构比较小的原因,使用半精度的训练速度还没有全精度快。这个值得后续进一步探索。

对于上面的这个问题,的确是网络很小的情况下,在1080ti上半精度浮点型没有很明显的优势,但是当网络变大之后,半精度浮点型要比全精度浮点型要快。

但具体快多少和模型的大小以及输入样本大小有关系,我测试的是要快1/6,同时,半精度浮点型在占用内存上比较有优势,对于精度的影响尚未探究。

将网络再变大些,epoch的次数也增大,半精度和全精度的时间差就表现出来了,在训练的时候。

补充:pytorch半精度,混合精度,单精度训练的区别amp.initialize

看代码吧~

为了帮助提高pytorch的训练效率,英伟达提供了混合精度训练工具apex。号称能够在不降低性能的情况下,将模型训练的速度提升2-4倍,训练显存消耗减少为之前的一半。

文档地址是:

该 工具 提供了三个功能,amp、parallel和normalization。由于目前该工具还是0.1版本,功能还是很基础的,在最后一个normalization功能中只提供了layernorm层的复现,实际上在后续的使用过程中会发现,出现问题最多的是pytorch的bn层。

第二个工具是pytorch的分布式训练的复现,在文档中描述的是和pytorch中的实现等价,在代码中可以选择任意一个使用,实际使用过程中发现,在使用混合精度训练时,使用apex复现的parallel工具,能避免一些bug。

默认训练方式是 单精度float32

半精度 model(img.half())

接下来是混合精度的实现,这里主要用到apex的amp工具。

代码修改为:

加上这一句封装,

实际流程为:调用amp.initialize按照预定的opt_level对model和optimizer进行设置。在计算loss时使用amp.scale_loss进行回传。

需要注意以下几点:

在调用amp.initialize之前,模型需要放在gpu上,也就是需要调用cuda()或者to()。

在调用amp.initialize之前,模型不能调用任何分布式设置函数。

此时输入数据不需要在转换为半精度。

在使用混合精度进行计算时,最关键的参数是opt_level。他一共含有四种设置值:‘00',‘01',‘02',‘03'。实际上整个amp.initialize的输入参数很多:

但是在实际使用过程中发现,设置opt_level即可,这也是文档中例子的使用方法,甚至在不同的opt_level设置条件下,其他的参数会变成无效。(已知bug:使用‘01'时设置keep_batchnorm_fp32的值会报错)

概括起来:

00相当于原始的单精度训练。01在大部分计算时采用半精度,但是所有的模型参数依然保持单精度,对于少数单精度较好的计算(如softmax)依然保持单精度。02相比于01,将模型参数也变为半精度。

03基本等于最开始实验的全半精度的运算。值得一提的是,不论在优化过程中,模型是否采用半精度,保存下来的模型均为单精度模型,能够保证模型在其他应用中的正常使用。这也是apex的一大卖点。

在pytorch中,bn层分为train和eval两种操作。

实现时若为单精度网络,会调用cudnn进行计算加速。常规训练过程中bn层会被设为train。apex优化了这种情况,通过设置keep_batchnorm_fp32参数,能够保证此时bn层使用cudnn进行计算,达到最好的计算速度。

但是在一些fine tunning场景下,bn层会被设为eval(我的模型就是这种情况)。此时keep_batchnorm_fp32的设置并不起作用,训练会产生数据类型不正确的bug。此时需要人为的将所有bn层设置为半精度,这样将不能使用cudnn加速。

一个设置的参考代码如下:

实际测试下来,最后的模型准确度上感觉差别不大,可能有轻微下降;时间上变化不大,这可能会因不同的模型有差别;显存开销上确实有很大的降低。

以上为个人经验,希望能给大家一个参考,也希望大家多多支持。