自动混合精度示例

创建于：2020年2月13日 | 最后更新于：2024年9月13日

通常，“自动混合精度训练”意味着将 torch.autocast 和 torch.amp.GradScaler 结合使用进行训练。

torch.autocast 的实例允许在选定的区域内启用自动类型转换。自动类型转换会自动选择操作的精度，以提高性能同时保持准确性。

torch.amp.GradScaler 的实例有助于方便地执行梯度缩放的步骤。梯度缩放通过最小化梯度下溢来改善具有 float16（默认在 CUDA 和 XPU 上）梯度的网络的收敛性，具体解释请参阅 此处。

torch.autocast 和 torch.amp.GradScaler 是模块化的。在下面的示例中，每个都按照其单独的文档建议使用。

(这里的示例仅供说明。有关可运行的详细教程，请参阅 自动混合精度指南。)

典型的混合精度训练

# Creates model and optimizer in default precision
model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)

# Creates a GradScaler once at the beginning of training.
scaler = GradScaler()

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

        # Runs the forward pass with autocasting.
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)

        # Scales loss.  Calls backward() on scaled loss to create scaled gradients.
        # Backward passes under autocast are not recommended.
        # Backward ops run in the same dtype autocast chose for corresponding forward ops.
        scaler.scale(loss).backward()

        # scaler.step() first unscales the gradients of the optimizer's assigned params.
        # If these gradients do not contain infs or NaNs, optimizer.step() is then called,
        # otherwise, optimizer.step() is skipped.
        scaler.step(optimizer)

        # Updates the scale for next iteration.
        scaler.update()

使用未缩放的梯度

由 scaler.scale(loss).backward() 生成的所有梯度都已缩放。如果您希望在 backward() 和 scaler.step(optimizer) 之间修改或检查参数的 .grad 属性，则应先取消缩放它们。例如，梯度裁剪会操纵一组梯度，使其全局范数（请参阅 torch.nn.utils.clip_grad_norm_()）或最大幅度（请参阅 torch.nn.utils.clip_grad_value_()）小于或等于用户设定的阈值。如果您在未取消缩放的情况下尝试裁剪，则梯度的范数/最大幅度也会被缩放，因此您请求的阈值（本来是针对*未缩放*梯度的阈值）将无效。

scaler.unscale_(optimizer) 会取消缩放由 optimizer 分配的参数所持有的梯度。如果您的模型或模型包含分配给另一个优化器（例如 optimizer2）的其他参数，您可以单独调用 scaler.unscale_(optimizer2) 来取消缩放这些参数的梯度。

梯度裁剪

在裁剪之前调用 scaler.unscale_(optimizer) 可以让您像平常一样裁剪未缩放的梯度。

scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)
        scaler.scale(loss).backward()

        # Unscales the gradients of optimizer's assigned params in-place
        scaler.unscale_(optimizer)

        # Since the gradients of optimizer's assigned params are unscaled, clips as usual:
        torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm)

        # optimizer's gradients are already unscaled, so scaler.step does not unscale them,
        # although it still skips optimizer.step() if the gradients contain infs or NaNs.
        scaler.step(optimizer)

        # Updates the scale for next iteration.
        scaler.update()

scaler 会记录在本迭代中已为该优化器调用过 scaler.unscale_(optimizer)，因此 scaler.step(optimizer) 会知道在（内部）调用 optimizer.step() 之前不要重复取消缩放梯度。

警告

unscale_ 应该每个优化器每 step 调用一次，并且仅在为该优化器分配的参数累积完所有梯度之后。在每次 step 调用之间，如果对给定优化器调用 unscale_ 两次，将触发 RuntimeError。

使用缩放的梯度

梯度累积

梯度累积会将梯度累加在一个有效批次中，其大小为 batch_per_iter * iters_to_accumulate（如果分布式，则为 * num_procs）。缩放因子应根据有效批次进行校准，这意味着在发现 inf/NaN 梯度时进行检查，在发现 inf/NaN 梯度时跳过步骤，并且在有效批次粒度上更新缩放因子。此外，在累积完给定有效批次的梯度之前，梯度应保持缩放状态，并且缩放因子应保持不变。如果在累积完成之前取消了梯度缩放（或更改了缩放因子），则下一次反向传播将在添加已缩放的梯度到未缩放的梯度（或按不同因子缩放的梯度）之后，此时将无法恢复 step 必须应用的累积未缩放梯度。

因此，如果您想 unscale_ 梯度（例如，允许裁剪未缩放的梯度），请在 step 调用之前调用 unscale_，此时将为即将进行的 step 调用累积完所有（已缩放的）梯度。另外，仅在您调用 step 来完成一个完整有效批次的迭代结束时调用 update。

scaler = GradScaler()

for epoch in epochs:
    for i, (input, target) in enumerate(data):
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)
            loss = loss / iters_to_accumulate

        # Accumulates scaled gradients.
        scaler.scale(loss).backward()

        if (i + 1) % iters_to_accumulate == 0:
            # may unscale_ here if desired (e.g., to allow clipping unscaled gradients)

            scaler.step(optimizer)
            scaler.update()
            optimizer.zero_grad()

梯度惩罚

梯度惩罚的实现通常使用 torch.autograd.grad() 创建梯度，将它们组合起来创建惩罚值，并将惩罚值添加到损失中。

下面是一个不使用梯度缩放或自动类型转换的 L2 惩罚的普通示例。

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)

        # Creates gradients
        grad_params = torch.autograd.grad(outputs=loss,
                                          inputs=model.parameters(),
                                          create_graph=True)

        # Computes the penalty term and adds it to the loss
        grad_norm = 0
        for grad in grad_params:
            grad_norm += grad.pow(2).sum()
        grad_norm = grad_norm.sqrt()
        loss = loss + grad_norm

        loss.backward()

        # clip gradients here, if desired

        optimizer.step()

要实现*带有*梯度缩放的梯度惩罚，传递给 torch.autograd.grad() 的 outputs 张量（Tensor）应该被缩放。因此，生成的梯度也将被缩放，在组合起来创建惩罚值之前应该先进行缩放。

此外，惩罚项的计算是前向传递的一部分，因此应该在 autocast 上下文中执行。

以下是相同的 L2 惩罚的实现方式。

scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)

        # Scales the loss for autograd.grad's backward pass, producing scaled_grad_params
        scaled_grad_params = torch.autograd.grad(outputs=scaler.scale(loss),
                                                 inputs=model.parameters(),
                                                 create_graph=True)

        # Creates unscaled grad_params before computing the penalty. scaled_grad_params are
        # not owned by any optimizer, so ordinary division is used instead of scaler.unscale_:
        inv_scale = 1./scaler.get_scale()
        grad_params = [p * inv_scale for p in scaled_grad_params]

        # Computes the penalty term and adds it to the loss
        with autocast(device_type='cuda', dtype=torch.float16):
            grad_norm = 0
            for grad in grad_params:
                grad_norm += grad.pow(2).sum()
            grad_norm = grad_norm.sqrt()
            loss = loss + grad_norm

        # Applies scaling to the backward call as usual.
        # Accumulates leaf gradients that are correctly scaled.
        scaler.scale(loss).backward()

        # may unscale_ here if desired (e.g., to allow clipping unscaled gradients)

        # step() and update() proceed as usual.
        scaler.step(optimizer)
        scaler.update()

处理多个模型、损失和优化器

如果您的网络有多个损失，您必须分别对每个损失调用 scaler.scale。如果您的网络有多个优化器，您可以分别对任何一个优化器调用 scaler.unscale_，并且您必须分别对每个优化器调用 scaler.step。

但是，scaler.update 应该只调用一次，在所有本次迭代使用的优化器都已执行 `step` 之后。

scaler = torch.amp.GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer0.zero_grad()
        optimizer1.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output0 = model0(input)
            output1 = model1(input)
            loss0 = loss_fn(2 * output0 + 3 * output1, target)
            loss1 = loss_fn(3 * output0 - 5 * output1, target)

        # (retain_graph here is unrelated to amp, it's present because in this
        # example, both backward() calls share some sections of graph.)
        scaler.scale(loss0).backward(retain_graph=True)
        scaler.scale(loss1).backward()

        # You can choose which optimizers receive explicit unscaling, if you
        # want to inspect or modify the gradients of the params they own.
        scaler.unscale_(optimizer0)

        scaler.step(optimizer0)
        scaler.step(optimizer1)

        scaler.update()

每个优化器都会检查其梯度是否包含 inf/NaN，并独立决定是否跳过步骤。这可能导致一个优化器跳过步骤，而另一个则不跳过。由于跳过步骤的情况很少见（每几百次迭代一次），这不应该影响收敛。如果您在为多优化器模型添加梯度缩放后观察到收敛不佳，请报告 bug。

处理多 GPU

此处描述的问题仅影响 autocast。 GradScaler 的使用保持不变。

单进程中的 DataParallel

即使 torch.nn.DataParallel 启动线程在每个设备上运行前向传递。自动类型转换状态会在每个线程中传播，并且以下代码可以正常工作：

model = MyModel()
dp_model = nn.DataParallel(model)

# Sets autocast in the main thread
with autocast(device_type='cuda', dtype=torch.float16):
    # dp_model's internal threads will autocast.
    output = dp_model(input)
    # loss_fn also autocast
    loss = loss_fn(output)

DistributedDataParallel，每个进程一个 GPU

torch.nn.parallel.DistributedDataParallel 的文档建议每个进程使用一个 GPU 以获得最佳性能。在这种情况下，DistributedDataParallel 不会在内部启动线程，因此 autocast 和 GradScaler 的使用不受影响。

DistributedDataParallel，每个进程多个 GPU

在这种情况下，torch.nn.parallel.DistributedDataParallel 可能会启动一个辅助线程在每个设备上运行前向传递，类似于 torch.nn.DataParallel。 解决方法相同：将自动类型转换作为模型 forward 方法的一部分应用，以确保它在辅助线程中启用。

Autocast 和自定义 Autograd 函数

如果您的网络使用 自定义 autograd 函数（torch.autograd.Function 的子类），则需要进行更改以实现自动类型转换兼容性，如果任何函数

• 接受多个浮点张量输入，

• 包装任何可自动类型转换的操作（请参阅 Autocast 操作参考），或

• 需要特定的 dtype（例如，如果它包装了仅为 dtype 编译的 CUDA 扩展）。

在所有情况下，如果您导入了函数且无法修改其定义，一个安全的折衷方法是在出现错误的使用点禁用自动类型转换，并强制以 float32（或 dtype）执行。

with autocast(device_type='cuda', dtype=torch.float16):
    ...
    with autocast(device_type='cuda', dtype=torch.float16, enabled=False):
        output = imported_function(input1.float(), input2.float())

如果您是函数的作者（或可以修改其定义），一个更好的解决方案是使用 torch.amp.custom_fwd() 和 torch.amp.custom_bwd() 装饰器，如下面的相关案例所示。

具有多个输入或可自动类型转换操作的函数

将 custom_fwd 和 custom_bwd（无参数）分别应用于 forward 和 backward。这些确保 forward 在当前自动类型转换状态下执行，并且 backward 在与 forward 相同的自动类型转换状态下执行（这可以防止类型不匹配错误）。

class MyMM(torch.autograd.Function):
    @staticmethod
    @custom_fwd
    def forward(ctx, a, b):
        ctx.save_for_backward(a, b)
        return a.mm(b)
    @staticmethod
    @custom_bwd
    def backward(ctx, grad):
        a, b = ctx.saved_tensors
        return grad.mm(b.t()), a.t().mm(grad)

现在 MyMM 可以在任何地方调用，而无需禁用自动类型转换或手动转换输入。

mymm = MyMM.apply

with autocast(device_type='cuda', dtype=torch.float16):
    output = mymm(input1, input2)

需要特定 dtype 的函数

考虑一个需要 torch.float32 输入的自定义函数。将 custom_fwd(device_type='cuda', cast_inputs=torch.float32) 应用于 forward，并将 custom_bwd(device_type='cuda') 应用于 backward。如果 forward 在启用了自动类型转换的区域运行，这些装饰器会将浮点张量输入转换为 float32，在由 device_type 参数指定的设备上（在此示例中为 CUDA），并且在 forward 和 backward 执行期间本地禁用自动类型转换。

class MyFloat32Func(torch.autograd.Function):
    @staticmethod
    @custom_fwd(device_type='cuda', cast_inputs=torch.float32)
    def forward(ctx, input):
        ctx.save_for_backward(input)
        ...
        return fwd_output
    @staticmethod
    @custom_bwd(device_type='cuda')
    def backward(ctx, grad):
        ...

现在 MyFloat32Func 可以在任何地方调用，而无需手动禁用自动类型转换或转换输入。

func = MyFloat32Func.apply

with autocast(device_type='cuda', dtype=torch.float16):
    # func will run in float32, regardless of the surrounding autocast state
    output = func(input)