评价此页
★ ★ ★ ★ ★

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”是指同时使用 torch.autocast 和 torch.amp.GradScaler 进行训练。

torch.autocast 的实例为选定的区域启用自动类型转换。自动类型转换会自动选择操作的精度，以在保持准确性的同时提高性能。

torch.amp.GradScaler 的实例有助于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（在 CUDA 和 XPU 上默认为此类型）梯度的网络的收敛，具体解释请参见此处。

torch.autocast 和 torch.amp.GradScaler 是模块化的。在下面的示例中，它们各自按照其独立文档中的建议使用。

（此处示例仅作说明。有关可运行的演练，请参阅自动混合精度秘籍。）

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()

处理未缩放的梯度#

scaler.scale(loss).backward() 产生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，您应该首先对它们进行反缩放。例如，梯度裁剪会操纵一组梯度，使其全局范数（参见 torch.nn.utils.clip_grad_norm_()）或最大幅值（参见 torch.nn.utils.clip_grad_value_()）<=<= 某个用户设定的阈值。如果您尝试在不进行反缩放的情况下进行裁剪，梯度的范数/最大幅值也会被缩放，因此您请求的阈值（该阈值是针对未缩放梯度而言的）将无效。

scaler.unscale_(optimizer) 会反缩放 optimizer 所分配参数持有的梯度。如果您的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) 来反缩放这些参数的梯度。

梯度裁剪#

在裁剪之前调用 scaler.unscale_(optimizer) 使您能够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 记录了此迭代中此优化器已调用 scaler.unscale_(optimizer)，因此 scaler.step(optimizer) 知道在（内部）调用 optimizer.step() 之前不必冗余地反缩放梯度。

警告

unscale_ 应该在每次 step 调用中每个优化器只调用一次，并且只能在该优化器所有分配参数的梯度都已累积之后。在每次 step 调用之间为给定优化器调用两次 unscale_ 将触发 RuntimeError。

处理已缩放的梯度#

梯度累积#

梯度累积将梯度累加到有效批量大小为 batch_per_iter * iters_to_accumulate（如果分布式，则为 * num_procs）的批量中。缩放应根据有效批量进行校准，这意味着 inf/NaN 检查、如果发现 inf/NaN 梯度则跳过步骤，以及缩放更新应以有效批量粒度发生。此外，梯度应保持缩放，并且缩放因子应保持不变，同时累积给定有效批量的梯度。如果在累积完成之前梯度被反缩放（或缩放因子改变），则下一次反向传播会将缩放的梯度添加到未缩放的梯度（或按不同因子缩放的梯度）中，之后将无法恢复 step 必须应用的累积未缩放梯度。

因此，如果您想 unscale_ 梯度（例如，为了允许裁剪未缩放的梯度），请在 step 之前，在即将到来的 step 的所有（缩放的）梯度都已累积之后，再调用 unscale_。此外，只在迭代结束时调用 update，在这些迭代中您已对完整的有效批量调用了 step

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，将它们组合以创建惩罚值，并将惩罚值添加到损失中。

这是一个不进行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()

为了实现带梯度缩放的梯度惩罚，传递给 torch.autograd.grad() 的 outputs 张量应该被缩放。因此，生成的梯度也将被缩放，并且在组合以创建惩罚值之前应该被反缩放。

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

对于相同的 L2 惩罚，这看起来是这样的

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，您可以单独对其中任何一个调用 scaler.unscale_，并且您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，在所有在此迭代中使用的优化器都已执行步进之后

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此步。这可能导致一个优化器跳过此步而另一个不跳。由于跳步很少发生（每几百次迭代一次），这不应该妨碍收敛。如果您在将梯度缩放添加到多优化器模型后观察到收敛不良，请报告错误。

处理多个 GPU#

此处描述的问题仅影响 autocast。GradScaler 的用法保持不变。

单个进程中的 DataParallel#

即使 torch.nn.DataParallel 生成线程在每个设备上运行前向传播。自动类型转换状态会在每个线程中传播，以下代码将正常工作

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一个 GPU 以获得最佳性能。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 可能会生成一个辅助线程以在每个设备上运行前向传播，就像 torch.nn.DataParallel 一样。解决方案相同：将 autocast 作为模型 forward 方法的一部分应用，以确保其在辅助线程中启用。

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），如果任何函数满足以下条件，则需要进行更改以实现自动类型转换兼容性：

  • 接受多个浮点张量输入，

  • 包装任何可自动转换的操作（参见自动类型转换操作参考），或

  • 需要特定的 dtype（例如，如果它封装了仅针对该 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修改其定义，一个安全的替代方案是在出现错误的任何使用点禁用自动类型转换并强制以 float32（或特定 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())

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

具有多个输入或可自动转换操作的函数#

将 custom_fwd 和 custom_bwd（不带参数）分别应用于 forward 和 backward。这确保 forward 以当前的自动类型转换状态执行，并且 backward 以与 forward 相同的自动类型转换状态执行（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)

现在可以在任何地方调用 MyMM，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 在启用自动类型转换的区域中运行，装饰器会将浮点张量输入转换为由参数 device_type（本例中为 CUDA）指定设备上的 float32，并在 forward 和 backward 期间局部禁用自动类型转换

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):
        ...

现在可以在任何地方调用 MyFloat32Func，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)
在此页面上
在 GitHub 上编辑
显示源代码
PyTorch 库