20190407-cuda9-mixed-precision

layout	title	categories	tags	date	description
post	笔记：混合精度训练技术报告	blog	CUDA HPC	2019-04-07 15:12:22 -0700	TF社区中相继出现相关的应用，为了更快的在Pytorch中加入对Volta GPU的支持，并实现针对混合精度训练的优化，NVIDIA发布了Apex开源工具库。cuda9中已经开始支持混合精度训练，tensorRT作为NVIDIA的inference引擎，同样支持混合精度的inference.

引言

CUDA在推出7.5的时候提出了 可以计算16位浮点数据的新特性。定义了两种新的数据类型half和half2. NVIDIA GPUs implement the IEEE 754 floating point standard (2008), which defines half-precision numbers as follows (see Figure 1).

• Sign: 1 bit
• Exponent width: 5 bits
• Significand precision: 11 bits (10 explicitly stored) The range of half-precision numbers is approximately $5.96 \times 10^{-8} \ldots 6.55 \times 10^4$. half2 structures store two half values in the space of a single 32-bit word, as the bottom of Figure 1 shows.

CUDA-9中已经开始支持混合精度训练¹，TensorRT作为NVIDIA的inference引擎，同样支持混合精度的神经网络inference计算. 之前在网上看到半精度memory copy与计算，发现copy的代价会减少一半，而计算的提升并不是很理想。后来看到了《why cublasHgemm is slower more than cublasSgemm when I use?》这个帖子，终于发现其中的一点规律。

问题的提出者问，为什么在GTX1070上运行cublasHgemm（半精度计算） 比 cublasSgemm（单精度计算）计算的慢呢？NVIDIA官方的回答说，当前Pascal架构的GPU只有的P100的FP16计算快于FP32。并且给出了编程手册的吞吐量的表²。

Alibaba PAI: Auto-Mixed Precision Training Techniques

随着NVIDIA release的APEX³，利用Volta架构和混合精度在Pytorch上进行拓展，实现了训练的精度混合。腾讯⁴和百度⁵分别发表关于混合精度训练的文章.PAI-TAO是alibaba内部一个关于混合精度训练的一个研究项目。 在整个AI模型的生命周期中的位置如下：

从中可以看出，自动混合精度主要是在训练过程中，为了加快计算节点之间的数据交换和层之间的数据交换与计算，采用FP16来替换FP32，这样在计算结果精度几乎不损失的情况下，带了数据交换和计算速度方面的性能提升，从而加快模型训练速度。

而这项任务的成功，与CUDA9中支持TensorCore的特性是息息相关的。下面对TensorCode进行简单介绍。

TensorCore是NVIDIA在Volta architecture下引入的，专门针对计算4x4矩阵的计算模块。 以前NVIDIA的GPU中只有FP32和FP64计算单元，在TensorCore中，特别针对FP16做了相应的补充， 来补充在半精度浮点方面的不足。TensorCore相比较直接进行FP32的计算，速度有了很大的提升。

为什么采用AMP（Auto mixed-precision）

Mixed-precision的优势

• 充分发挥Volta架构引入的TensorCore计算性能 (15->120TFLOPs, 8X)
• 减少了访存带宽

No free-lunch

• 用户模型改写的人力负担
• 精度调优问题
• 充分利用TensorCore的技术tricks
  • 数据尺寸对齐问题
  • Layout问题
• TensorCore将计算密集部分比例降低以后的进一步优化空间挖掘

如何AMP：Design Philosophy

• 精度问题
  • 模型以FP32进行保存
  • 不同算子的区别处理
    • 计算密集型算子（MatMul/Conv） 输入为FP16，FP32累加中间结果，输出为FP32，计算基于TensorCore
    • 访存密集型算法（Add/Reduce/…) 输入输出均为FP16，计算为FP16/FP32, 不使用TensorCore，访存量减少
  • Loss scaling策略解决gradient underflow问题
  • 表达精度问题： FP32->FP16
    • 尾数位减少: precision gap in sum (Solution: 模型以FP32进行保存)
    • 指数位减少: gradient underflow

• 速度及易用性问题
  • 通过图优化pass自动完成混合精度所需的图转换工作

结果

• No laborious FP32/FP16 casting work anymore
• Already supporting diversified internal workloads: NLP/CNN/Bert/Graph Embedding
• 1.3~3x time-to-accuracy speed-up 与PAI-TAO Compiler联合使用可以达到1+1>2的加速收益

题外思考

现在我们的训练应该是没有引入混合精度训练的，而且inference框架中没有混合精度的苗头。 我们的inference应该可以先支持起混合精度的，然后后面慢慢地在训练框架中添加相关功能。 然后重构节点之间的数据交换代码，加大对混合精度训练的时候并行度，进一步降低训练模型的成本。 尤其是弱计算能力的芯片上，通过添加混合计算功能，能够在加速的同时，追求更高的精度。 现在很多AI推理芯片如华为himix200中，支持int8和int16的计算，而且同一个模型可以混合int8和int16的精度类型。

参考文献

Footnotes

1. https://docs.nvidia.com/deeplearning/sdk/pdf/Training-Mixed-Precision-User-Guide.pdf "Training-Mixed-Precision-User-Guide" ↩

2. https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#arithmetic-instructions "throughputs of the arithmetic instructions" ↩

3. https://cloud.tencent.com/developer/news/254121 "混合精度训练之APEX" ↩

4. http://m.elecfans.com/article/721085.html "一种具有混合精度的高度可扩展的深度学习训练系统" ↩

5. https://arxiv.org/pdf/1710.03740.pdf "百度和NVIDIA联合出品：MIXED PRECISION TRAINING" ↩