加速 PyTorch 模型训练的 9 个技巧(收藏)

让我们面对现实吧，你的模型可能还停留在石器时代。我敢打赌你仍然使用32位精度或gasp甚至只在一个gpu上训练。

我明白，网上都是各种神经网络加速指南，但是一个checklist都没有（现在有了），使用这个清单，一步一步确保你能榨干你模型的所有性能。

本指南从最简单的结构到最复杂的改动都有，可以使你的网络得到最大的好处。我会给你展示示例pytorch代码以及可以在pytorch- lightning trainer中使用的相关flags，这样你可以不用自己编写这些代码！

**这本指南是为谁准备的？**任何使用pytorch进行深度学习模型研究的人，如研究人员、博士生、学者等，我们在这里谈论的模型可能需要你花费几天的训练，甚至是几周或几个月。

　我们会讲到：
使用dataloaders
dataloader中的workers数量
batch size
梯度累计
保留的计算图
移动到单个
16-bit 混合精度训练
移动到多个gpus中（模型复制）
移动到多个gpu-nodes中 (8+gpus)
思考模型加速的技巧

pytorch-lightning

你可以在pytorch的库pytorch- lightning中找到我在这里讨论的每一个优化。lightning是在pytorch之上的一个封装，它可以自动训练，同时让研究人员完全控制关键的模型组件。lightning 使用最新的最佳实践，并将你可能出错的地方最小化。

我们为mnist定义lightningmodel并使用trainer来训练模型。

from pytorch_lightning import trainermodel = lightningmodule(…)trainer = trainer()trainer.fit(model)

1. dataloaders

这可能是最容易获得速度增益的地方。保存h5py或numpy文件以加速数据加载的时代已经一去不复返了，使用pytorch dataloader加载图像数据很简单(对于nlp数据，请查看torchtext)。

在lightning中，你不需要指定训练循环，只需要定义dataloaders和trainer就会在需要的时候调用它们。

 datat = mnist(root=lf.hparams.data_root, train=train, download=true) loader = dataloader(datat, batch_size=32, shuffle=true) for batch in loader:   x, y = batch   model.training_step(x, y)   ...

2. dataloaders 中的 workers 的数量

另一个加速的神奇之处是允许批量并行加载。因此，您可以一次装载nb_workers个batch，而不是一次装载一个batch。

# slow loader = dataloader(datat, batch_size=32, shuffle=true) # fast (u 10 workers) loader = dataloader(datat, batch_size=32, shuffle=true, num_workers=10)

3. batch size

在开始下一个优化步骤之前，将batch size增大到cpu-ram或gpu-ram所允许的最大范围。

下一节将重点介绍如何帮助减少内存占用，以便你可以继续增加batch size。

记住，你可能需要再次更新你的学习率。一个好的经验法则是，如果batch size加倍，那么学习率就加倍。

4. 梯度累加

在你已经达到计算资源上限的情况下，你的batch size仍然太小(比如8)，然后我们需要模拟一个更大的batch size来进行梯度下降，以提供一个良好的估计。

假设我们想要达到128的batch size大小。我们需要以batch size为8执行16个前向传播和向后传播，然后再执行一次优化步骤。

# clear last stepoptimizer.zero_grad()# 16 accumulated gradient stepsscaled_loss = 0for accumulated_step_i in range(16):     out = mod护师历年真题el.forward()     loss = some_loss(out,y)         loss.backward()      scaled_loss += loss.item()      # update weights after 8 steps. effective batch = 8*16optimizer.step()# loss is now scaled up by the number of accumulated batchesactual_loss = scaled_loss / 16

在lightning中，全部都给你做好了，只需要设置accumulate_grad_batches=16：

trainer = trainer(accumulate_grad_batches=16)trainer.fit(model)

5. 保留的计算图

一个最简单撑爆你的内存的方法是为了记录日志存储你的loss。

 loss = [] ... loss.append(loss)  print(f'current loss: {torch.mean(loss)'})

上面的问题是，loss仍然包含有整个图的副本。在这种情况下，调用.item()来释放它。

![1_cer3v8cok2uobnsmnbrzpq](9 tips for training lightning-fast neural networks in pytorch.asts/1_cer3v8cok2uobnsmnbrzpq.gif)# bad loss.append(loss) # goodloss.append(loss.item())

lightning会非常小心，确保不会保留计算图的副本。

6. 单个gpu训练

一旦你已经完成了前面的步骤，是时候进入gpu训练了。在gpu上的训练将使多个gpu cores之间的数学计算并行化。你得到的加速取决于你所使用的gpu类型。我推荐个人用2080ti，公司用v100。

乍一看，这可能会让你不知所措，但你真的只需要做两件事:1)移动你的模型到gpu, 2)每当你运行数据通过它，把数据放到gpu上。

# put model on gpumodel.cuda(0) # put data on gpu (cuda on a variable returns a cuda copy)x = x.cuda(0) # runs on gpu nowmodel(x)

　　如果你使用lightning，你什么都不用做，只需要设置trainer(gpus=1)。

# ask lightning to u gpu 0 for trainingtrainer = trainer(gpus=[0])trainer.fit(model)

　　在gpu上进行训练时，要注意的主要事情是限制cpu和gpu之间的传输次数。

# expensivex = x.cuda(0)# very expensivex = x.cpu()x = x.cuda(0)

如果内存耗尽，不要将数据移回cpu以节省内存。在求助于gpu之前，尝试以其他方式优化你的代码或gpu之间的内存分布。

另一件需要注意的事情是调用强制gpu同步的操作。清除内存缓存就是一个例子。

# really bad idea. stops all the gpus until they all catch uptorch.cuda.empty_cache()

但是，如果使用lightning，惟一可能出现问题的地方是在定义lightning module时。lightning会特别注意不去犯这类错误。

7. 16-bit 精度

16bit精度是将内存占用减半的惊人技术。大多数模型使用32bit精度数字进行训练。然而，最近的研究发现，16bit模型也可以工作得很好。混合精度意味着对某些内容使用16bit，但将权重等内容保持在32bit。

要在pytorch中使用16bit精度，请安装nvidia的apex库，并对你的模型进行这些更改。

# enable 16-bit on the model and the optimizermodel, optimizers = amp.initialize(model, optimizers, opt_level='o2') # when doing .backward, let amp do it so it can scale the losswith amp.scale_loss(loss, optimizer) as scaled_loss:                         scaled_loss.backward()

amp包会处理好大部分事情。如果梯度爆炸或趋向于0，它甚至会缩放loss。

在lightning中，启用16bit并不需要修改模型中的任何内容，也不需要执行我上面所写的操作。设置trainer(precision=16)就可以了。

trainer = trainer(amp_level='o2', u_amp=fal)trainer.fit(model)

8. 移动到多个gpus中

现在，事情变得非常有趣了。有3种(也许更多？)方法来进行多gpu训练。

分batch训练

a) 拷贝模型到每个gpu中，b) 给每个gpu一部分batch

第一种方法被称为“分batch训练”。该策略将模型复制到每个gpu上，每个gpu获得batch的一部分。

# copy model on each gpu and give a fourth of the batch to eachmodel = dataparallel(model, devices=[0, 1, 2 ,3]) # out has 4 outputs (one for each gpu)out = model(x.cuda(0))

　　在lightning中，你只需要增加gpus的数量，然后告诉trainer，其他什么都不用做。

# ask lightning to u 4 gpus for trainingtrainer = trainer(gpus=[0, 1, 2, 3])trainer.fit(model)

　　模型分布训练

将模型的不同部分放在不同的gpu上，batch按顺序移动

有时你的模型可能太大不能完全放到内存中。例如，带有编码器和解码器的序列到序列模型在生成输出时可能会占用20gb ram。在本例中，我们希望将编码器和解码器放在独立的gpu上。

# each model is sooo big we can't fit both in memoryencoder_rnn.cuda(0)decoder_rnn.cuda(1) # run input through encoder on gpu 0encoder_out = encoder_rnn(x.cuda(0)) # run output through decoder on the next gpuout = decoder_rnn(encoder_out.cuda(1)) # normally we want to bring all outputs back to gpu 0out = out.cuda(0)

　　对于这种类型的训练，在lightning中不需要指定任何gpu，你应该把lightningmodule中的模块放到正确的gpu上。

class mymodule(lightningmodule):    def __init__():        lf.encoder = rnn(...)        lf.decoder = rnn(...)    def forward(x):        # models won't be moved after the first forward becau        # they are already on the correct gpus        lf.encoder.cuda(0)        lf.decoder.cuda(1)        out = lf.encoder(x)        out = lf.decoder(out.cuda(1))         # don't pass gpus to trainermodel = mymodule()trainer = trainer()trainer.fit(model)

两者混合

在上面的情况下，编码器和解码器仍然可以从并行化操作中获益。

# change the lineslf.encoder = rnn(...)lf.decoder = rnn(...) # to the# now each rnn is bad on a different gpu tlf.encoder = dataparallel(lf.encoder, devices=[0, 1, 2, 3])lf.decoder = dataparallel(lf.encoder, dev王维嘉ices=[4, 5, 6, 7]) # in forward...out = lf.encoder(x.cuda(0)) # notice inputs on first gpu in devicesout = lf.decoder(out.cuda(4))  # <--- the 4 here

使用多个gpu时要考虑的注意事项：

如果模型已经在gpu上了，model.cuda()不会做任何事情。总是把输入放在设备列表中的第一个设备上。在设备之间传输数据是昂贵建筑类大学排名的，把它作为最后的手段。优化器和梯度会被保存在gpu 0上，因此，gpu 0上使用的内存可能会比其他gpu大得多。

9. 多节点gpu训练

每台机器上的每个gpu都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。

如果你已经做到了这一步，那么你现在可以在几分钟内训练imagenet了！这并没有你想象的那么难，但是它可能需要你对计算集群的更多知识。这些说明假设你正在集群上使用slurm。

pytorch允许多节点训练，通过在每个节点上复制每个gpu上的模型并同步梯度。所以，每个模型都是在每个gpu上独立初始化的，本质上独立地在数据的一个分区上训练，除了它们都从所有模型接收梯度更新。

在高层次上：

在每个gpu上初始化一个模型的副本(确保设置种子，让每个模型初始化到相同的权重，否则它会失败)。将数据集分割成子集(使用distributedsampler)。每个gpu只在它自己的小子集上训练。在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。

pytorch有一个很好的抽象，叫做distributeddataparallel，它可以帮你实现这个功能。要使用ddp，你需要做4的事情：

def tng_dataloader():     d = mnist()           # 4: add distributed sampler     # sampler nds a portion of tng data to each machine     dist_sampler = distributedsampler(datat)     dataloader = dataloader(d, shuffle=fal, sampler=dist_sampler)      def main_process_entrypoint(gpu_nb):     # 2: t up connections  between all gpus across all machines     # all gpus connect to a single gpu "root"     # the default us env://     world = nb_gpus * nb_nodes     dist.init_process_group("nccl", rank=gpu_nb, world_size=world)           # 3: wrap model in dpp     torch.cuda.t_device(gpu_nb)     model.cuda(gpu_nb)     model = distributeddataparallel(model, device_ids=[gpu_nb])           # train your model now...      if  __name__ == '__main__':     # 1: spawn number of process     # your cluster will call main for each machine     mp.spawn(main_process_entrypoint, nprocs=8)

　　然而，在lightning中，只需设置节点数量，它就会为你处理其余的事情。

# train on 1024 gpus across 128 nodestrainer = trainer(nb_gpu_nodes=128, gpus=[焦急的罗曼史百度云0, 1, 2, 3, 4, 5, 6, 7])

lightning还附带了一个slurmcluster管理器，可以方便地帮助你提交slurm作业的正确详细信息。

10. 福利！在单个节点上多gpu更快的训练

事实证明，distributeddataparallel比dataparallel快得多，因为它只执行梯度同步的通信。所以，一个好的hack是使用distributeddataparallel替换dataparallel，即使是在单机上进行训练。

在lightning中，这很容易通过将distributed_backend设置为ddp和设置gpus的数量来实现。

# train on 4 gpus on the same machine much faster than dataparalleltrainer = trainer(distributed_backend='ddp', gpus=[0, 1, 2, 3])

对模型加速的思考

尽管本指南将为你提供了一系列提高网络速度的技巧，但我还是要给你解释一下如何通过查找瓶颈来思考问题。

我将模型分成几个部分：

首先，我要确保在数据加载中没有瓶颈。为此，我使用了我所描述的现有数据加载解决方案，但是如果没有一种解决方案满足你的需要，请考虑离线处理和缓存到高性能数据存储下车引之中，比如h5py。

接下来看看你在训练步骤中要做什么。确保你的前向传播速度快，避免过多的计算以及最小化cpu和gpu之间的数据传输。最后，避免做一些会降低gpu速度的事情(本指南中有介绍)。

接下来，我试图最大化我的batch size，这通常是受gpu内存大小的限制。现在，需要关注在使用大的batch size的时候如何在多个gpus上分布并最小化延迟（比如，我可能会尝试着在多个gpu上使用8000 +的有效batch size）。

然而，你需要小心大的batch size。针对你的具体问题，请查阅相关文献，看看人们都忽略了什么！

到此这篇关于加速pytorch模型训练的9个技巧的文章就介绍到这了,更多相关pytorch模型训练内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！