评价此页
★ ★ ★ ★ ★

自动混合精度包 - torch.amp#

创建日期：2025 年 6 月 12 日 | 最后更新日期：2025 年 6 月 12 日

torch.amp 提供混合精度的便捷方法，其中一些操作使用 torch.float32 (float) 数据类型，而其他操作使用较低精度的浮点数据类型 (lower_precision_fp)：torch.float16 (half) 或 torch.bfloat16。某些操作，如线性层和卷积，在 lower_precision_fp 中速度快得多。其他操作，如归约，通常需要 float32 的动态范围。混合精度试图将每个操作与其适当的数据类型匹配。

通常，使用数据类型为 torch.float16 的“自动混合精度训练”会同时使用 torch.autocast 和 torch.amp.GradScaler，如自动混合精度示例和自动混合精度指南所示。但是，torch.autocast 和 torch.GradScaler 是模块化的，如果需要可以单独使用。如torch.autocast 的 CPU 示例部分所示，CPU 上数据类型为 torch.bfloat16 的“自动混合精度训练/推理”仅使用 torch.autocast。

警告

torch.cuda.amp.autocast(args...) 和 torch.cpu.amp.autocast(args...) 已弃用。请改用 torch.amp.autocast("cuda", args...) 或 torch.amp.autocast("cpu", args...)。torch.cuda.amp.GradScaler(args...) 和 torch.cpu.amp.GradScaler(args...) 已弃用。请改用 torch.amp.GradScaler("cuda", args...) 或 torch.amp.GradScaler("cpu", args...)。

torch.autocast 和 torch.cpu.amp.autocast 是版本 1.10 中的新增功能。

自动类型转换#

torch.amp.autocast_mode.is_autocast_available(device_type)[源代码]#

返回一个布尔值，指示 device_type 上是否可用自动类型转换。

参数

device_type (str) – 要使用的设备类型。可能的值有：“cuda”、“cpu”、“mtia”、“maia”、“xpu”等等。类型与 torch.device 的 type 属性相同。因此，您可以使用 Tensor.device.type 获取张量的设备类型。

返回类型

布尔值

class torch.autocast(device_type, dtype=None, enabled=True, cache_enabled=None)[源代码]#

autocast 的实例作为上下文管理器或装饰器，允许脚本的区域以混合精度运行。

在这些区域中，操作以自动类型转换选择的特定于操作的数据类型运行，以提高性能同时保持精度。有关详细信息，请参阅自动类型转换操作参考。

进入启用自动类型转换的区域时，张量可以是任何类型。使用自动类型转换时，不应在模型或输入上调用 half() 或 bfloat16()。

autocast 应仅包装网络的正向传播（包括损失计算）。不建议在自动类型转换下进行反向传播。反向操作以自动类型转换用于相应正向操作的相同类型运行。

CUDA 设备示例

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

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

    # Enables autocasting for the forward pass (model + loss)
    with torch.autocast(device_type="cuda"):
        output = model(input)
        loss = loss_fn(output, target)

    # Exits the context manager before backward()
    loss.backward()
    optimizer.step()

有关更复杂场景（例如，梯度惩罚、多个模型/损失、自定义自动求导函数）中的用法（以及梯度缩放），请参阅自动混合精度示例。

autocast 也可以用作装饰器，例如，在模型的 forward 方法上

class AutocastModel(nn.Module):
    ...
    @torch.autocast(device_type="cuda")
    def forward(self, input):
        ...

在启用自动类型转换的区域中生成的浮点张量可能是 float16。返回到禁用自动类型转换的区域后，将它们与不同数据类型的浮点张量一起使用可能会导致类型不匹配错误。如果是这样，请将自动类型转换区域中生成的张量转换回 float32（如果需要，也可以转换为其他数据类型）。如果自动类型转换区域中的张量已经是 float32，则转换是空操作，不会产生额外开销。CUDA 示例

# Creates some tensors in default dtype (here assumed to be float32)
a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")

with torch.autocast(device_type="cuda"):
    # torch.mm is on autocast's list of ops that should run in float16.
    # Inputs are float32, but the op runs in float16 and produces float16 output.
    # No manual casts are required.
    e_float16 = torch.mm(a_float32, b_float32)
    # Also handles mixed input types
    f_float16 = torch.mm(d_float32, e_float16)

# After exiting autocast, calls f_float16.float() to use with d_float32
g_float32 = torch.mm(d_float32, f_float16.float())

CPU 训练示例

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

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

        # Runs the forward pass with autocasting.
        with torch.autocast(device_type="cpu", dtype=torch.bfloat16):
            output = model(input)
            loss = loss_fn(output, target)

        loss.backward()
        optimizer.step()

CPU 推理示例

# Creates model in default precision
model = Net().eval()

with torch.autocast(device_type="cpu", dtype=torch.bfloat16):
    for input in data:
        # Runs the forward pass with autocasting.
        output = model(input)

带 Jit Trace 的 CPU 推理示例

class TestModel(nn.Module):
    def __init__(self, input_size, num_classes):
        super().__init__()
        self.fc1 = nn.Linear(input_size, num_classes)
    def forward(self, x):
        return self.fc1(x)

input_size = 2
num_classes = 2
model = TestModel(input_size, num_classes).eval()

# For now, we suggest to disable the Jit Autocast Pass,
# As the issue: https://github.com/pytorch/pytorch/issues/75956
torch._C._jit_set_autocast_mode(False)

with torch.cpu.amp.autocast(cache_enabled=False):
    model = torch.jit.trace(model, torch.randn(1, input_size))
model = torch.jit.freeze(model)
# Models Run
for _ in range(3):
    model(torch.randn(1, input_size))

自动类型转换启用区域中的类型不匹配错误是错误；如果您观察到这种情况，请提交问题。

autocast(enabled=False) 子区域可以嵌套在自动类型转换启用区域中。局部禁用自动类型转换可能很有用，例如，如果您想强制子区域以特定 dtype 运行。禁用自动类型转换可以为您提供对执行类型的显式控制。在子区域中，应在使用前将来自周围区域的输入转换为 dtype

# Creates some tensors in default dtype (here assumed to be float32)
a_float32 = torch.rand((8, 8), device="cuda")
b_float32 = torch.rand((8, 8), device="cuda")
c_float32 = torch.rand((8, 8), device="cuda")
d_float32 = torch.rand((8, 8), device="cuda")

with torch.autocast(device_type="cuda"):
    e_float16 = torch.mm(a_float32, b_float32)
    with torch.autocast(device_type="cuda", enabled=False):
        # Calls e_float16.float() to ensure float32 execution
        # (necessary because e_float16 was created in an autocasted region)
        f_float32 = torch.mm(c_float32, e_float16.float())

    # No manual casts are required when re-entering the autocast-enabled region.
    # torch.mm again runs in float16 and produces float16 output, regardless of input types.
    g_float16 = torch.mm(d_float32, f_float32)

自动类型转换状态是线程局部的。如果要在新线程中启用它，则必须在该线程中调用上下文管理器或装饰器。这会影响 torch.nn.DataParallel 和 torch.nn.parallel.DistributedDataParallel 在每个进程使用多个 GPU 时（请参阅使用多个 GPU）。

参数

  • device_type (str, 必需) – 要使用的设备类型。可能的值有：“cuda”、“cpu”、“mtia”、“maia”、“xpu”和“hpu”。类型与 torch.device 的 type 属性相同。因此，您可以使用 Tensor.device.type 获取张量的设备类型。

  • enabled (bool, 可选) – 是否应在该区域中启用自动类型转换。默认值：True

  • dtype (torch_dtype, 可选) – 在自动类型转换中运行的操作的数据类型。如果 dtype 为 None，它将使用 get_autocast_dtype() 给出的默认值（CUDA 为 torch.float16，CPU 为 torch.bfloat16）。默认值：None

  • cache_enabled (bool, 可选) – 是否应启用自动类型转换内部的权重缓存。默认值：True

torch.amp.custom_fwd(fwd=None, *, device_type, cast_inputs=None)[源代码]#

为自定义自动求导函数的 forward 方法创建辅助装饰器。

自动求导函数是 torch.autograd.Function 的子类。有关更多详细信息，请参阅示例页面。

参数

  • device_type (str) – 要使用的设备类型。“cuda”、“cpu”、“mtia”、“maia”、“xpu”等等。类型与 torch.device 的 type 属性相同。因此，您可以使用 Tensor.device.type 获取张量的设备类型。

  • cast_inputs (torch.dtype 或 None, 可选, 默认值=None) – 如果不是 None，当 forward 在启用自动类型转换的区域中运行时，将传入的浮点张量转换为目标数据类型（非浮点张量不受影响），然后在禁用自动类型转换的情况下执行 forward。如果为 None，则 forward 的内部操作将以当前自动类型转换状态执行。

注意

如果装饰的 forward 在自动类型转换启用区域之外被调用，则 custom_fwd 是空操作，cast_inputs 不起作用。

torch.amp.custom_bwd(bwd=None, *, device_type)[源代码]#

为自定义自动求导函数的反向方法创建辅助装饰器。

自动求导函数是 torch.autograd.Function 的子类。确保 backward 以与 forward 相同的自动类型转换状态执行。有关详细信息，请参阅示例页面。

参数

device_type (str) – 要使用的设备类型。“cuda”、“cpu”、“mtia”、“maia”、“xpu”等等。类型与 torch.device 的 type 属性相同。因此，您可以使用 Tensor.device.type 获取张量的设备类型。

class torch.cuda.amp.autocast(enabled=True, dtype=torch.float16, cache_enabled=True)[源代码]#

请参阅 torch.autocast。

torch.cuda.amp.autocast(args...) 已弃用。请改用 torch.amp.autocast("cuda", args...)。

torch.cuda.amp.custom_fwd(fwd=None, *, cast_inputs=None)[源代码]#

torch.cuda.amp.custom_fwd(args...) 已弃用。请改用 torch.amp.custom_fwd(args..., device_type='cuda')。

torch.cuda.amp.custom_bwd(bwd)[源代码]#

torch.cuda.amp.custom_bwd(args...) 已弃用。请改用 torch.amp.custom_bwd(args..., device_type='cuda')。

class torch.cpu.amp.autocast(enabled=True, dtype=torch.bfloat16, cache_enabled=True)[源代码]#

请参阅 torch.autocast。torch.cpu.amp.autocast(args...) 已弃用。请改用 torch.amp.autocast("cpu", args...)。

梯度缩放#

如果某个操作的正向传播有 float16 输入，则该操作的反向传播将产生 float16 梯度。幅度较小的梯度值可能无法用 float16 表示。这些值将归零（“下溢”），因此相应参数的更新将丢失。

为了防止下溢，“梯度缩放”将网络的损失乘以比例因子，并对缩放后的损失调用反向传播。然后，通过网络反向流动的梯度也会按相同的因子进行缩放。换句话说，梯度值具有更大的幅度，因此它们不会归零。

在优化器更新参数之前，应取消缩放每个参数的梯度（.grad 属性），以便比例因子不会干扰学习率。

注意

AMP/fp16 可能不适用于所有模型！例如，大多数 bf16 预训练模型无法在最大 65504 的 fp16 数值范围内运行，并且会导致梯度溢出而不是下溢。在这种情况下，比例因子可能会减小到 1 以下，以尝试将梯度带入 fp16 动态范围内可表示的数字。虽然人们可能期望比例始终高于 1，但我们的 GradScaler 不保证这一点以保持性能。如果您在运行 AMP/fp16 时遇到损失或梯度中的 NaNs，请验证您的模型是否兼容。

class torch.cuda.amp.GradScaler(init_scale=65536.0, growth_factor=2.0, backoff_factor=0.5, growth_interval=2000, enabled=True)[源代码]#

请参阅 torch.amp.GradScaler。torch.cuda.amp.GradScaler(args...) 已弃用。请改用 torch.amp.GradScaler("cuda", args...)。

class torch.cpu.amp.GradScaler(init_scale=65536.0, growth_factor=2.0, backoff_factor=0.5, growth_interval=2000, enabled=True)[源代码]#

请参阅 torch.amp.GradScaler。torch.cpu.amp.GradScaler(args...) 已弃用。请改用 torch.amp.GradScaler("cpu", args...)。

自动类型转换操作参考#

操作资格#

以 float64 或非浮点数据类型运行的操作不符合条件，无论是否启用自动类型转换，它们都将以这些类型运行。

只有非原地操作和张量方法符合条件。原地变体和显式提供 out=... 张量的调用在自动类型转换启用区域中是允许的，但不会进行自动类型转换。例如，在自动类型转换启用区域中，a.addmm(b, c) 可以自动类型转换，但 a.addmm_(b, c) 和 a.addmm(b, c, out=d) 不能。为了获得最佳性能和稳定性，请在自动类型转换启用区域中优先使用非原地操作。

带有显式 dtype=... 参数调用的操作不符合条件，并将生成符合 dtype 参数的输出。

CUDA 操作特定行为#

以下列表描述了自动类型转换启用区域中符合条件的操作的行为。无论这些操作是作为 torch.nn.Module 的一部分、作为函数还是作为 torch.Tensor 方法调用，它们都会进行自动类型转换。如果函数在多个命名空间中公开，无论命名空间如何，它们都会进行自动类型转换。

未列出的操作不会进行自动类型转换。它们以其输入定义的类型运行。但是，如果未列出的操作在自动类型转换操作的下游，则自动类型转换仍可能更改其运行的类型。

如果一个操作未列出，我们假设它在 float16 中是数值稳定的。如果您认为未列出的操作在 float16 中数值不稳定，请提交问题。

可自动转换为 float16 的 CUDA 操作#

__matmul__, addbmm, addmm, addmv, addr, baddbmm, bmm, chain_matmul, multi_dot, conv1d, conv2d, conv3d, conv_transpose1d, conv_transpose2d, conv_transpose3d, GRUCell, linear, LSTMCell, matmul, mm, mv, prelu, RNNCell

可自动转换为 float32 的 CUDA 操作#

__pow__, __rdiv__, __rpow__, __rtruediv__, acos, asin, binary_cross_entropy_with_logits, cosh, cosine_embedding_loss, cdist, cosine_similarity, cross_entropy, cumprod, cumsum, dist, erfinv, exp, expm1, group_norm, hinge_embedding_loss, kl_div, l1_loss, layer_norm, log, log_softmax, log10, log1p, log2, margin_ranking_loss, mse_loss, multilabel_margin_loss, multi_margin_loss, nll_loss, norm, normalize, pdist, poisson_nll_loss, pow, prod, reciprocal, rsqrt, sinh, smooth_l1_loss, soft_margin_loss, softmax, softmin, softplus, sum, renorm, tan, triplet_margin_loss

提升为最宽输入类型的 CUDA 操作#

这些操作不需要特定的数据类型来保证稳定性，但它们接受多个输入并要求输入的D类型匹配。如果所有输入都是 float16，则操作以 float16 运行。如果任何输入是 float32，则自动类型转换将所有输入转换为 float32，并以 float32 运行操作。

addcdiv, addcmul, atan2, bilinear, cross, dot, grid_sample, index_put, scatter_add, tensordot

某些未在此处列出的操作（例如，像 add 这样的二进制操作）会自发地提升输入，而无需自动类型转换的干预。如果输入是 float16 和 float32 的混合，则这些操作以 float32 运行并生成 float32 输出，无论是否启用自动类型转换。

优先使用 binary_cross_entropy_with_logits 而非 binary_cross_entropy#

torch.nn.functional.binary_cross_entropy()（以及包装它的 torch.nn.BCELoss）的反向传播会产生无法用 float16 表示的梯度。在自动类型转换启用区域中，正向输入可能是 float16，这意味着反向梯度必须能够用 float16 表示（将 float16 正向输入自动类型转换为 float32 没有帮助，因为该转换必须在反向传播中反转）。因此，binary_cross_entropy 和 BCELoss 在自动类型转换启用区域中会引发错误。

许多模型在二元交叉熵层之前使用 sigmoid 层。在这种情况下，使用 torch.nn.functional.binary_cross_entropy_with_logits() 或 torch.nn.BCEWithLogitsLoss 将这两个层组合起来。binary_cross_entropy_with_logits 和 BCEWithLogits 可以安全地进行自动类型转换。

XPU 操作特定行为（实验性）#

以下列表描述了自动类型转换启用区域中符合条件的操作的行为。无论这些操作是作为 torch.nn.Module 的一部分、作为函数还是作为 torch.Tensor 方法调用，它们都会进行自动类型转换。如果函数在多个命名空间中公开，无论命名空间如何，它们都会进行自动类型转换。

未列出的操作不会进行自动类型转换。它们以其输入定义的类型运行。但是，如果未列出的操作在自动类型转换操作的下游，则自动类型转换仍可能更改其运行的类型。

如果一个操作未列出，我们假设它在 float16 中是数值稳定的。如果您认为未列出的操作在 float16 中数值不稳定，请提交问题。

可自动转换为 float16 的 XPU 操作#

addbmm, addmm, addmv, addr, baddbmm, bmm, chain_matmul, multi_dot, conv1d, conv2d, conv3d, conv_transpose1d, conv_transpose2d, conv_transpose3d, GRUCell, linear, LSTMCell, matmul, mm, mv, RNNCell

可自动转换为 float32 的 XPU 操作#

__pow__, __rdiv__, __rpow__, __rtruediv__, binary_cross_entropy_with_logits, cosine_embedding_loss, cosine_similarity, cumsum, dist, exp, group_norm, hinge_embedding_loss, kl_div, l1_loss, layer_norm, log, log_softmax, margin_ranking_loss, nll_loss, normalize, poisson_nll_loss, pow, reciprocal, rsqrt, soft_margin_loss, softmax, softmin, sum, triplet_margin_loss

提升为最宽输入类型的 XPU 操作#

这些操作不需要特定的数据类型来保证稳定性，但它们接受多个输入并要求输入的D类型匹配。如果所有输入都是 float16，则操作以 float16 运行。如果任何输入是 float32，则自动类型转换将所有输入转换为 float32，并以 float32 运行操作。

bilinear, cross, grid_sample, index_put, scatter_add, tensordot

某些未在此处列出的操作（例如，像 add 这样的二进制操作）会自发地提升输入，而无需自动类型转换的干预。如果输入是 float16 和 float32 的混合，则这些操作以 float32 运行并生成 float32 输出，无论是否启用自动类型转换。

CPU 操作特定行为#

以下列表描述了自动类型转换启用区域中符合条件的操作的行为。无论这些操作是作为 torch.nn.Module 的一部分、作为函数还是作为 torch.Tensor 方法调用，它们都会进行自动类型转换。如果函数在多个命名空间中公开，无论命名空间如何，它们都会进行自动类型转换。

未列出的操作不会进行自动类型转换。它们以其输入定义的类型运行。但是，如果未列出的操作在自动类型转换操作的下游，则自动类型转换仍可能更改其运行的类型。

如果一个操作未列出，我们假设它在 bfloat16 中是数值稳定的。如果您认为未列出的操作在 bfloat16 中数值不稳定，请提交问题。float16 共享 bfloat16 的列表。

可自动转换为 bfloat16 的 CPU 操作#

conv1d, conv2d, conv3d, bmm, mm, linalg_vecdot, baddbmm, addmm, addbmm, linear, matmul, _convolution, conv_tbc, mkldnn_rnn_layer, conv_transpose1d, conv_transpose2d, conv_transpose3d, prelu, scaled_dot_product_attention, _native_multi_head_attention

可自动转换为 float32 的 CPU 操作#

avg_pool3d, binary_cross_entropy, grid_sampler, grid_sampler_2d, _grid_sampler_2d_cpu_fallback, grid_sampler_3d, polar, prod, quantile, nanquantile, stft, cdist, trace, view_as_complex, cholesky, cholesky_inverse, cholesky_solve, inverse, lu_solve, orgqr, inverse, ormqr, pinverse, max_pool3d, max_unpool2d, max_unpool3d, adaptive_avg_pool3d, reflection_pad1d, reflection_pad2d, replication_pad1d, replication_pad2d, replication_pad3d, mse_loss, cosine_embedding_loss, nll_loss, nll_loss2d, hinge_embedding_loss, poisson_nll_loss, cross_entropy_loss, l1_loss, huber_loss, margin_ranking_loss, soft_margin_loss, triplet_margin_loss, multi_margin_loss, ctc_loss, kl_div, multilabel_margin_loss, binary_cross_entropy_with_logits, fft_fft, fft_ifft, fft_fft2, fft_ifft2, fft_fftn, fft_ifftn, fft_rfft, fft_irfft, fft_rfft2, fft_irfft2, fft_rfftn, fft_irfftn, fft_hfft, fft_ihfft, linalg_cond, linalg_matrix_rank, linalg_solve, linalg_cholesky, linalg_svdvals, linalg_eigvals, linalg_eigvalsh, linalg_inv, linalg_householder_product, linalg_tensorinv, linalg_tensorsolve, fake_quantize_per_tensor_affine, geqrf, _lu_with_info, qr, svd, triangular_solve, fractional_max_pool2d, fractional_max_pool3d, adaptive_max_pool3d, multilabel_margin_loss_forward, linalg_qr, linalg_cholesky_ex, linalg_svd, linalg_eig, linalg_eigh, linalg_lstsq, linalg_inv_ex

提升为最宽输入类型的 CPU 操作#

这些操作不需要特定的数据类型来保证稳定性，但它们接受多个输入并要求输入的D类型匹配。如果所有输入都是 bfloat16，则操作以 bfloat16 运行。如果任何输入是 float32，则自动类型转换将所有输入转换为 float32，并以 float32 运行操作。

cat, stack, index_copy

某些未在此处列出的操作（例如，像 add 这样的二进制操作）会自发地提升输入，而无需自动类型转换的干预。如果输入是 bfloat16 和 float32 的混合，则这些操作以 float32 运行并生成 float32 输出，无论是否启用自动类型转换。

在此页面上
在 GitHub 上编辑
显示源代码
PyTorch 库