Pytorch混合精度训练

作为微型实验室的学生,为其他同学节约GPU资源义不容辞,于是最近探索了Pytorch使用混合精度训练的方法,传言可加速60%,且在某种程度上节约显存。

原来NVIDIA提供了用于Pytorch的混合精度加速训练工具——Apex(不是哥斯拉大战金刚那个),但个人在使用时总是出现这样那样的问题,于是索性放弃。幸运的是,从Pytorch 1.6版本开始,torch官方提供了混合精度训练工具!!!下面就来介绍:


使用非常简单,即autocast+GradScaler
我们先来回顾一下最原始的Pytorch损失反向传播、梯度更新的方法:

   out = model(input_data)       # 获取输出
   loss = loss_function(out,y)   # 1、定义loss,输出与原始标签对比
   optimizer.zero_grad()         # 2、初始化梯度
   loss.backward()               # 3、反向传播
   optimizer.step()              # 4、更新参数

使用混合精度训练:

from torch.cuda.amp import autocast
from torch.cuda.amp import GradScaler

self.model.train()
scaler = GradScaler()  #放在最开始训练之前
...
for i in epoch:
	for input, target in data:
	optimizer.zero_grad()
	with autocast():
		out= model(input_data)
		loss = loss_function(out,y) 
	scaler.scale(loss).backward()
	scaler.step(optimizer)
	scaler.update()

官方样例地址

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()

注意事项:版本Pytorch>=1.6.0

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

远方的河岸

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值