文章目录
- 1. 考虑使用另外一种学习率策略
- 2. 在 DataLoader 中使用多个 workers 和 pinned memory
- 3. 最大化 batch size
- 4. 使用自动混合精度
- 5. 开启 cudnn benchmarking
- 6. 注意 CPU 和 GPU 之间频繁的数据传输
- 7. 使用 gradient/activation 检查点
- 8. 使用梯度累加
- 9. 对于多个GPU使用分布式数据并行
- 10. 将梯度设为 None 而不是 0
- 11. 使用.as_tensor() 而不是 .tensor()
- 12. 使用梯度剪裁
- 13. 在 BatchNorm 之前不使用 bias
- 14. 在验证的时候关闭梯度计算
- 15. 对输入和 batch 使用归一化
- 参考文献
简要介绍在 PyTorch 中加速深度学习模型训练的一些最小改动、影响最大的方法。我既喜欢效率又喜欢ML,所以我尝试进行记录。
1. 考虑使用另外一种学习率策略
你选择的学习率对收敛速度以及模型的泛化性能有很大的影响。
循环学习率
和 1Cycle学习率
策略都是 Leslie N. Smith 提出的方法,然后由fast.ai推广。
PyTorch实现了这两个方法,torch.optim.lr_scheduler.CyclicLR
和 torch.optim.lr_scheduler.OneCycleLR
。
Note: 没有尝试使用过,待后期尝试后更新。
2. 在 DataLoader 中使用多个 workers 和 pinned memory
当使用 torch.utils.data.DataLoader
时,设置 num_workers > 0
,而不是等于0,设置 pin_memory=True
而不是默认值False。详细解释:https://pytorch.org/docs/stable/data.html。
Szymon Micacz通过使用 4 个 workers 和 pinned memory,实现了单个训练 epoch 的 2 倍加速。
一个经验法则,选择 workers 的数量设置为可用GPU数量的 4 倍,更大或更小的 workers 数量会变慢。
Note: 增加 num_workers
会增加 CPU 内存消耗。
3. 最大化 batch size
这是一个颇有争议的观点。一般来说,似乎使用 GPU 允许的最大的 batch size 可能会加速你的训练。
Note: 如果你修改了 batch size,你还必须调整其他超参数,例如学习率。这里的一个经验法则是,当你把 batch 数量翻倍时,学习率也要翻倍。
OpenAI有一篇很好的实证论文关于不同 batch size 需要的收敛步骤的数量。Daniel Huynh运行一些实验用不同 batch size(使用上面所讨论的1Cycle策略),从 batch size 64 到 512 他实现了 4 倍的加速。
然而,使用大 batch 的缺点之一是,它们可能会导致泛化能力比使用小 batch 的模型差。
4. 使用自动混合精度
PyTorch 1.6 的发行版包含了对 PyTorch 进行自动混合精度训练的本地实现。这里的主要思想是,与在所有地方都使用单精度(FP32)相比,某些操作可以在半精度(FP16)下运行得更快,而且不会损失精度。然后,AMP自动决定应该以何种格式执行何种操作。这允许更快的训练和更小的内存占用。
AMP的使用:
import torch
# Creates once at the beginning of training
scaler = torch.cuda.amp.GradScaler()
for data, label in data_iter:
optimizer.zero_grad()
# Casts operations to mixed precision
with torch.cuda.amp.autocast():
loss = model(data)
# Scales the loss, and calls backward()
# to create scaled gradients
scaler.scale(loss).backward()
# Unscales gradients and calls
# or skips optimizer.step()
scaler.step(optimizer)
# Updates the scale for next iteration
scaler.update()
5. 开启 cudnn benchmarking
如果你的模型架构保持不变,你的输入大小保持不变,设置 torch.backends.cudnn.benchmark = True
可能是有益的。这使得 cudNN 能够测试许多不同的卷积计算方法,然后使用最快的方法。
对于加速的预期有一个粗略的参考,Szymon Migacz 达到 70% 的 forward 的加速以及 27% 的 forward 和 backward 的加速。
这里需要注意的是,如果你像上面提到的那样将 batch size 最大化,那么这种自动调优可能会变得非常缓慢。
6. 注意 CPU 和 GPU 之间频繁的数据传输
小心使用 tensor.cpu()
和 tensor.cuda()
频繁地将张量从 GPU 和 CPU 之间相互转换。对于 .item()
和 .numpy()
也是一样,用 .detach()
代替。
如果你正在创建一个新的张量,你也可以使用关键字参数 device=torch.device('cuda:0')
直接将它分配给你的 GPU。
如果你确实需要传输数据,在传输后使用 .to(non_blocking=True)
可能会很有用,只要你没有任何同步点。
如果你真的需要,你可以试试 Santosh Gupta 的 SpeedTorch
,虽然不是很确定在什么情况下可以加速。
7. 使用 gradient/activation 检查点
直接引用文档中的话:
检查点的工作原理是用计算交换内存,并不是存储整个计算图的所有中间激活用于向后计算,检查点不保存中间的激活,而是在向后传递中重新计算它们。可以应用于模型的任何部分。
具体来说,在向前传递中,function 会以torch.no_grad()
的方式运行,也就是说,不存储中间激活。相反,正向传递保存输入和 function 的参数。在向后传递中,将检索保存的输入和 function,并再次根据 function 计算向前传递,然后跟踪中间的激活,再使用这些激活值计算梯度。
因此,虽然这可能会略微增加给定 batch 大小的运行时间,但会显著减少内存占用。这反过来会允许你进一步增加你正在使用的 batch 大小,从而更好地利用 GPU。
检查点的 pytorch 实现为 torch.utils.checkpoint
,需要想点办法才能实现的很好。
8. 使用梯度累加
增加 batch 大小的另一种方法是在调用 optimizer.step()
之前,在多个 .backward()
中累积梯度。
在Hugging Face的实现中,梯度累加可以实现如下:
model.zero_grad() # Reset gradients tensors
for i, (inputs, labels) in enumerate(training_set):
predictions = model(inputs) # Forward pass
loss = loss_function(predictions, labels) # Compute loss function
loss = loss / accumulation_steps # Normalize our loss (if averaged)
loss.backward() # Backward pass
if (i+1) % accumulation_steps == 0: # Wait for several backward steps
optimizer.step() # Now we can do an optimizer step
model.zero_grad() # Reset gradients tensors
if (i+1) % evaluation_steps == 0: # Evaluate the model when we...
evaluate_model() # ...have no gradients accumulated
这个方法主要是为了避开 GPU 内存限制。fastai论坛上的这个讨论:https://forums.fast.ai/t/accumulating-gradients/33219/28 似乎表明它实际上可以加速训练,所以可能值得一试。
9. 对于多个GPU使用分布式数据并行
对于分布式训练加速,一个简单的方法是使用 torch.nn.DistributedDataParallel
而不是 torch.nn.DataParallel
。通过这样做,每个 GPU 将由一个专用的 CPU 核心驱动,避免了 DataParallel
的 GIL 问题。
10. 将梯度设为 None 而不是 0
使用 .zero_grad(set_to_none=True)
而不是 .zero_grad()
。这样做会让内存分配器去处理梯度,而不是主动将它们设置为0。正如在文档中所说的那样,这会导致产生一个适度的加速,所以不要期待任何奇迹。
Note: 这样做并不是没有副作用的!关于这一点的详细信息请查看文档。
11. 使用.as_tensor() 而不是 .tensor()
torch.tensor()
会拷贝数据,如果你有一个 numpy 数组,你想转为 tensor,使用 torch.as_tensor()
或是 torch.from_numpy()
来避免拷贝数据。
12. 使用梯度剪裁
最初是用于 RNNs
避免爆炸梯度,有一些经验证据和一些理论支持认为剪裁梯度(粗略地说: gradient = min(gradient, threshold))
可以加速收敛。Hugging Face 的 Transformer 实现是关于如何使用梯度剪裁以及其他的一些方法如 AMP 的一个非常干净的例子。
在 PyTorch 中,这可以通过使用 torch.nn.utils.clip_grad_norm_
实现。我并不完全清楚哪个模型从梯度裁剪中获益多少,但它似乎对 RNN、基于 Transformer 和 ResNets 架构以及一系列不同的优化器都非常有用。
13. 在 BatchNorm 之前不使用 bias
这是一个非常简单的方法:在 BatchNormalization 层之前不使用 bias。对于二维卷积层,可以将关键字 bias 设为 False: torch.nn.Conv2d(..., bias=False, ...)
。
你会保存一些参数,然而,与这里提到的其他一些方法相比,我对这个方法的加速期望相对较小。
14. 在验证的时候关闭梯度计算
这个很直接:在验证的时候使用 torch.no_grad()
。