微调-自动化混合精度处理和缓冲区同步
自动化混合精度处理成为优化模型性能的关键技术之一。这种技术不仅可以加速模型的训练过程,还能在一定程度上减少内存消耗,使得可以在相同的硬件配置下训练更大的模型。下面代码实现了一个包装类,实现了自动化的混合精度处理,并提供了对模型缓冲区进行同步的选项。
主要功能和参数
- 自动类型转换:根据用户设置,自动将模型及其输入和输出在fp16和fp32之间转换。
- 缓冲区同步:在并行训练中同步模型的缓冲区,如批标准化中的运行统计数据,确保所有并行节点计算得到一致结果。
- 灵活控制:提供接口以根据需要启用或禁用输出的类型转换和缓冲区的同步。
构造函数
def __init__(
self,
model: nn.Module,
output_to_fp32: bool = True,
parallel_mode: ParallelMode = ParallelMode.DATA,
sync_buffer: bool = True,
dtype=torch.float16,
):
super().__init__()
self.model = model.to(dtype)
self._output_to_fp32 = output_to_fp32
self._sync_buf = sync_buffer
self.dtype = dtype
此构造函数初始化模型并设置初始状态,包括数据类型、是否将输出转换为fp32、是否同步缓冲区等。
缓冲区同步机制
缓冲区同步是分布式训练中一个重要的环节,特别是当使用批标准化(Batch Normalization)等依赖于全局数据统计的层时。NaiveAMPModel
通过以下方法实现缓冲区同步:
def _reduce_module_buffer(self):
buf_list = [buf for buf in self.model.buffers() if buf is not None]
coalesced_buf = _flatten_dense_tensors(buf_list)
coalesced_buf.div_(self._world_size)
dist.all_reduce(coalesced_buf, op=ReduceOp.SUM, group=self._process_group)
unflattened_buf_list = _unflatten_dense_tensors(coalesced_buf, buf_list)
for old, new in zip(buf_list, unflattened_buf_list):
old.copy_(new)
该方法首先平铺(flatten)所有缓冲区,执行全局的平均操作,然后再展开(unflatten)回原来的形状,并更新每个节点的缓冲区。
前向传播与自动类型转换
在每次前向传播调用时,forward
方法会根据设定自动处理输入和输出的数据类型转换,确保运算的精度和效率:
def forward(self, *args, **kwargs):
if self._sync_buf:
with torch.no_grad():
self._reduce_module_buffer()
args = [self._convert_to_fp16(arg) for arg in args]
out = self.model(*args, **kwargs)
if self._output_to_fp32:
out = self._convert_to_fp32(out)
return out