自动混合精度示例

创建日期：2020 年 2 月 13 日 | 最后更新日期：2024 年 9 月 13 日

通常，“自动混合精度训练”是指使用 torch.autocast 和 torch.amp.GradScaler 一起进行训练。

torch.autocast 的实例可以启用所选区域的自动转换。自动转换会自动选择操作的精度，以提高性能并保持准确性。

torch.amp.GradScaler 的实例可以方便地执行梯度缩放步骤。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，如 此处 所述。

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

(这里的示例仅供说明。请参阅 自动混合精度配方 以获取可运行的演练。)

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() 产生的所有梯度都是缩放的。如果您希望在 backward() 和 scaler.step(optimizer) 之间修改或检查参数的 .grad 属性，您应该先对其进行反缩放。例如，梯度裁剪会操作一组梯度，使其全局范数（参见 torch.nn.utils.clip_grad_norm_()）或最大幅度（参见 torch.nn.utils.clip_grad_value_()）小于或等于某个用户施加的阈值。如果您尝试在不反缩放的情况下进行裁剪，梯度的范数/最大幅度也会被缩放，因此您请求的阈值（原本打算是未缩放梯度的阈值）将无效。

scaler.unscale_(optimizer) 会反缩放由 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) 以反缩放这些参数的梯度。

梯度裁剪

在裁剪之前调用 scaler.unscale_(optimizer) 允许您像往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 记录了本迭代中已经为该优化器调用了 scaler.unscale_(optimizer)，因此 scaler.step(optimizer) 会知道不要在内部调用 optimizer.step() 之前冗余地反缩放梯度。

警告

unscale_ 应该在每次 step 调用期间只调用一次，并且仅在为该优化器分配的所有参数的梯度都已累积之后。如果在每次 step 之间对给定的优化器调用 unscale_ 两次，会引发 RuntimeError。

使用缩放的梯度

梯度累积

梯度累积会累积大小为 batch_per_iter * iters_to_accumulate (* num_procs 如果是分布式) 的有效批次上的梯度。比例应针对有效批次进行校准，这意味着 inf/NaN 检查、如果找到 inf/NaN 梯度则跳过步骤以及比例更新应以有效批次粒度进行。此外，梯度应保持缩放状态，并且在累积给定有效批次的梯度时，比例因子应保持恒定。如果在完成累积之前对梯度进行反缩放（或比例因子发生变化），则下一个反向传播会将缩放的梯度添加到未缩放的梯度（或由不同因子缩放的梯度）之后，此时将无法恢复累积的未缩放梯度 step 必须应用。

因此，如果您想 unscale_ 梯度（例如，允许裁剪未缩放的梯度），请在 step 之前调用 unscale_，在所有（缩放的）梯度用于即将到来的 step 之后。此外，仅在您为完整有效批次调用了 step 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。

这是没有梯度缩放或自动转换的普通 L2 惩罚示例

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 Tensor(s) 应该被缩放。因此，生成的梯度将被缩放，并且在将它们组合起来创建惩罚值之前，应该对其进行反缩放。

此外，惩罚项计算是前向传播的一部分，因此应该在 autocast 上下文中进行。

这是相同 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()

使用多个模型、损失和优化器

如果您的网络有多个损失，则必须单独对每个损失调用 scaler.scale。如果您的网络有多个优化器，您可以单独对任何优化器调用 scaler.unscale_，并且必须单独对每个优化器调用 scaler.step。

但是，scaler.update 应该只调用一次，在本次迭代中使用的所有优化器都执行了步骤之后

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存在 inf/NaN，并独立决定是否跳过步骤。这可能会导致一个优化器跳过步骤，而另一个优化器不会。由于跳过步骤很少发生（每几百次迭代），这不应妨碍收敛。如果您在将梯度缩放添加到多优化器模型后观察到收敛性差，请报告一个错误。

使用多个 GPU

这里描述的问题仅影响 autocast。GradScaler 的用法没有改变。

DataParallel 在单个进程中

即使 torch.nn.DataParallel 会生成线程在每个设备上运行前向传播。自动转换状态在每个线程中传播，并且以下内容将有效

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 的文档建议为了获得最佳性能，每个进程使用一个 GPU。在这种情况下，DistributedDataParallel 不会在内部生成线程，因此 autocast 和 GradScaler 的用法不受影响。

DistributedDataParallel，每个进程多个 GPU

此处 torch.nn.parallel.DistributedDataParallel 可能会为每个设备生成一个辅助线程来运行前向传播，类似于 torch.nn.DataParallel。 解决方法相同：将 autocast 应用于模型的 forward 方法中，以确保在辅助线程中启用它。

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），如果任何函数

• 接受多个浮点数 Tensor 输入，

• 封装任何 autocastable 操作（请参阅 Autocast 操作参考），或者

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

在所有情况下，如果您正在导入该函数并且无法更改其定义，则安全的后退方法是在出现错误的任何使用点禁用 autocast 并强制在 float32（或 dtype）中执行。

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())

如果您是该函数的作者（或可以更改其定义），更好的解决方案是使用 torch.amp.custom_fwd() 和 torch.amp.custom_bwd() 装饰器，如下所示。

具有多个输入或 autocastable 操作的函数

将 custom_fwd 和 custom_bwd（不带参数）应用于 forward 和 backward 分别。这些确保 forward 使用当前的 autocast 状态执行，并且 backward 使用与 forward 相同的 autocast 状态执行（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 autocast 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 autocast 的区域中运行，则装饰器会将浮点数 Tensor 输入转换为 float32，并在指定的设备上禁用 autocast，该设备由参数 device_type 指定，在本例中为 CUDA，并在 forward 和 backward 期间本地禁用 autocast。

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 autocast 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)