如何讓PyTorch模型訓(xùn)練變得飛快？

讓我們面對(duì)現(xiàn)實(shí)吧，你的模型可能還停留在石器時(shí)代。我敢打賭你仍然使用32位精度或GASP甚至只在一個(gè)GPU上訓(xùn)練。

我明白，網(wǎng)上都是各種神經(jīng)網(wǎng)絡(luò)加速指南，但是一個(gè)checklist都沒有（現(xiàn)在有了），使用這個(gè)清單，一步一步確保你能榨干你模型的所有性能。

本指南從最簡單的結(jié)構(gòu)到最復(fù)雜的改動(dòng)都有，可以使你的網(wǎng)絡(luò)得到最大的好處。我會(huì)給你展示示例Pytorch代碼以及可以在Pytorch- lightning Trainer中使用的相關(guān)flags，這樣你可以不用自己編寫這些代碼！

這篇指南是為誰準(zhǔn)備的？任何使用Pytorch進(jìn)行深度學(xué)習(xí)模型研究的人，如研究人員、博士生、學(xué)者等，我們在這里談?wù)摰哪Ｐ涂赡苄枰慊ㄙM(fèi)幾天的訓(xùn)練，甚至是幾周或幾個(gè)月。

我們會(huì)講到：

使用DataLoaders

DataLoader中的workers數(shù)量

Batch size

梯度累計(jì)

保留的計(jì)算圖

移動(dòng)到單個(gè)

16-bit 混合精度訓(xùn)練

移動(dòng)到多個(gè)GPUs中（模型復(fù)制）

移動(dòng)到多個(gè)GPU-nodes中 (8+GPUs)

思考模型加速的技巧

你可以在Pytorch的庫Pytorch- lightning中找到我在這里討論的每一個(gè)優(yōu)化。Lightning是在Pytorch之上的一個(gè)封裝，它可以自動(dòng)訓(xùn)練，同時(shí)讓研究人員完全控制關(guān)鍵的模型組件。Lightning 使用最新的最佳實(shí)踐，并將你可能出錯(cuò)的地方最小化。

我們?yōu)镸NIST定義LightningModel并使用Trainer來訓(xùn)練模型。

frompytorch_lightningimportTrainer model=LightningModule(…) trainer=Trainer() trainer.fit(model)

1. DataLoaders

這可能是最容易獲得速度增益的地方。保存h5py或numpy文件以加速數(shù)據(jù)加載的時(shí)代已經(jīng)一去不復(fù)返了，使用Pytorch dataloader加載圖像數(shù)據(jù)很簡單(對(duì)于NLP數(shù)據(jù)，請查看TorchText)。

在lightning中，你不需要指定訓(xùn)練循環(huán)，只需要定義dataLoaders和Trainer就會(huì)在需要的時(shí)候調(diào)用它們。

dataset=MNIST(root=self.hparams.data_root,train=train,download=True) loader=DataLoader(dataset,batch_size=32,shuffle=True) forbatchinloader: x,y=batch model.training_step(x,y) ...

2. DataLoaders 中的 workers 的數(shù)量

另一個(gè)加速的神奇之處是允許批量并行加載。因此，您可以一次裝載nb_workers個(gè)batch，而不是一次裝載一個(gè)batch。

#slow loader=DataLoader(dataset,batch_size=32,shuffle=True) #fast(use10workers) loader=DataLoader(dataset,batch_size=32,shuffle=True,num_workers=10)

3. Batch size

在開始下一個(gè)優(yōu)化步驟之前，將batch size增大到CPU-RAM或GPU-RAM所允許的最大范圍。

下一節(jié)將重點(diǎn)介紹如何幫助減少內(nèi)存占用，以便你可以繼續(xù)增加batch size。

記住，你可能需要再次更新你的學(xué)習(xí)率。一個(gè)好的經(jīng)驗(yàn)法則是，如果batch size加倍，那么學(xué)習(xí)率就加倍。

4. 梯度累加

在你已經(jīng)達(dá)到計(jì)算資源上限的情況下，你的batch size仍然太小(比如8)，然后我們需要模擬一個(gè)更大的batch size來進(jìn)行梯度下降，以提供一個(gè)良好的估計(jì)。

假設(shè)我們想要達(dá)到128的batch size大小。我們需要以batch size為8執(zhí)行16個(gè)前向傳播和向后傳播，然后再執(zhí)行一次優(yōu)化步驟。

#clearlaststep optimizer.zero_grad() #16accumulatedgradientsteps scaled_loss=0 foraccumulated_step_iinrange(16): out=model.forward() loss=some_loss(out,y) loss.backward() scaled_loss+=loss.item() #updateweightsafter8steps.effectivebatch=8*16 optimizer.step() #lossisnowscaledupbythenumberofaccumulatedbatches actual_loss=scaled_loss/16

在lightning中，全部都給你做好了，只需要設(shè)置accumulate_grad_batches=16：

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

5. 保留的計(jì)算圖

一個(gè)最簡單撐爆你的內(nèi)存的方法是為了記錄日志存儲(chǔ)你的loss。

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

上面的問題是，loss仍然包含有整個(gè)圖的副本。在這種情況下，調(diào)用.item()來釋放它。

#bad losses.append(loss) #good losses.append(loss.item())

Lightning會(huì)非常小心，確保不會(huì)保留計(jì)算圖的副本。

6. 單個(gè)GPU訓(xùn)練

一旦你已經(jīng)完成了前面的步驟，是時(shí)候進(jìn)入GPU訓(xùn)練了。在GPU上的訓(xùn)練將使多個(gè)GPU cores之間的數(shù)學(xué)計(jì)算并行化。你得到的加速取決于你所使用的GPU類型。我推薦個(gè)人用2080Ti，公司用V100。

乍一看，這可能會(huì)讓你不知所措，但你真的只需要做兩件事:1)移動(dòng)你的模型到GPU, 2)每當(dāng)你運(yùn)行數(shù)據(jù)通過它，把數(shù)據(jù)放到GPU上。

#putmodelonGPU model.cuda(0) #putdataongpu(cudaonavariablereturnsacudacopy) x=x.cuda(0) #runsonGPUnow model(x)

如果你使用Lightning，你什么都不用做，只需要設(shè)置Trainer(gpus=1)。

#asklightningtousegpu0fortraining trainer=Trainer(gpus=[0]) trainer.fit(model)

在GPU上進(jìn)行訓(xùn)練時(shí)，要注意的主要事情是限制CPU和GPU之間的傳輸次數(shù)。

#expensive x=x.cuda(0)#veryexpensive x=x.cpu() x=x.cuda(0)

如果內(nèi)存耗盡，不要將數(shù)據(jù)移回CPU以節(jié)省內(nèi)存。在求助于GPU之前，嘗試以其他方式優(yōu)化你的代碼或GPU之間的內(nèi)存分布。

另一件需要注意的事情是調(diào)用強(qiáng)制GPU同步的操作。清除內(nèi)存緩存就是一個(gè)例子。

#reallybadidea.StopsalltheGPUsuntiltheyallcatchup torch.cuda.empty_cache()

但是，如果使用Lightning，惟一可能出現(xiàn)問題的地方是在定義Lightning Module時(shí)。Lightning會(huì)特別注意不去犯這類錯(cuò)誤。

7. 16-bit 精度

16bit精度是將內(nèi)存占用減半的驚人技術(shù)。大多數(shù)模型使用32bit精度數(shù)字進(jìn)行訓(xùn)練。然而，最近的研究發(fā)現(xiàn)，16bit模型也可以工作得很好?；旌暇纫馕吨鴮?duì)某些內(nèi)容使用16bit，但將權(quán)重等內(nèi)容保持在32bit。

要在Pytorch中使用16bit精度，請安裝NVIDIA的apex庫，并對(duì)你的模型進(jìn)行這些更改。

#enable16-bitonthemodelandtheoptimizer model,optimizers=amp.initialize(model,optimizers,opt_level='O2') #whendoing.backward,letampdoitsoitcanscaletheloss withamp.scale_loss(loss,optimizer)asscaled_loss: scaled_loss.backward()

amp包會(huì)處理好大部分事情。如果梯度爆炸或趨向于0，它甚至?xí)s放loss。

在lightning中，啟用16bit并不需要修改模型中的任何內(nèi)容，也不需要執(zhí)行我上面所寫的操作。設(shè)置Trainer(precision=16)就可以了。

trainer=Trainer(amp_level='O2',use_amp=False) trainer.fit(model)

8. 移動(dòng)到多個(gè)GPUs中

現(xiàn)在，事情變得非常有趣了。有3種(也許更多？)方法來進(jìn)行多GPU訓(xùn)練。

分batch訓(xùn)練

A) 拷貝模型到每個(gè)GPU中，B) 給每個(gè)GPU一部分batch

第一種方法被稱為“分batch訓(xùn)練”。該策略將模型復(fù)制到每個(gè)GPU上，每個(gè)GPU獲得batch的一部分。

#copymodeloneachGPUandgiveafourthofthebatchtoeach model=DataParallel(model,devices=[0,1,2,3]) #outhas4outputs(oneforeachgpu) out=model(x.cuda(0))

在lightning中，你只需要增加GPUs的數(shù)量，然后告訴trainer，其他什么都不用做。

#asklightningtouse4GPUsfortraining trainer=Trainer(gpus=[0,1,2,3]) trainer.fit(model)

模型分布訓(xùn)練

將模型的不同部分放在不同的GPU上，batch按順序移動(dòng)

有時(shí)你的模型可能太大不能完全放到內(nèi)存中。例如，帶有編碼器和解碼器的序列到序列模型在生成輸出時(shí)可能會(huì)占用20GB RAM。在本例中，我們希望將編碼器和解碼器放在獨(dú)立的GPU上。

#eachmodelissooobigwecan'tfitbothinmemory encoder_rnn.cuda(0) decoder_rnn.cuda(1) #runinputthroughencoderonGPU0 encoder_out=encoder_rnn(x.cuda(0)) #runoutputthroughdecoderonthenextGPU out=decoder_rnn(encoder_out.cuda(1)) #normallywewanttobringalloutputsbacktoGPU0 out=out.cuda(0)

對(duì)于這種類型的訓(xùn)練，在Lightning中不需要指定任何GPU，你應(yīng)該把LightningModule中的模塊放到正確的GPU上。

classMyModule(LightningModule): def__init__(): self.encoder=RNN(...) self.decoder=RNN(...) defforward(x): #modelswon'tbemovedafterthefirstforwardbecause #theyarealreadyonthecorrectGPUs self.encoder.cuda(0) self.decoder.cuda(1) out=self.encoder(x) out=self.decoder(out.cuda(1)) #don'tpassGPUstotrainer model=MyModule() trainer=Trainer() trainer.fit(model)

兩者混合

在上面的情況下，編碼器和解碼器仍然可以從并行化操作中獲益。

#changetheselines self.encoder=RNN(...) self.decoder=RNN(...) #tothese #noweachRNNisbasedonadifferentgpuset self.encoder=DataParallel(self.encoder,devices=[0,1,2,3]) self.decoder=DataParallel(self.encoder,devices=[4,5,6,7]) #inforward... out=self.encoder(x.cuda(0)) #noticeinputsonfirstgpuindevice sout=self.decoder(out.cuda(4))#<---?the?4?here

使用多個(gè)GPU時(shí)要考慮的注意事項(xiàng)：

如果模型已經(jīng)在GPU上了，model.cuda()不會(huì)做任何事情。

總是把輸入放在設(shè)備列表中的第一個(gè)設(shè)備上。

在設(shè)備之間傳輸數(shù)據(jù)是昂貴的，把它作為最后的手段。

優(yōu)化器和梯度會(huì)被保存在GPU 0上，因此，GPU 0上使用的內(nèi)存可能會(huì)比其他GPU大得多。

9. 多節(jié)點(diǎn)GPU訓(xùn)練

每臺(tái)機(jī)器上的每個(gè)GPU都有一個(gè)模型的副本。每臺(tái)機(jī)器獲得數(shù)據(jù)的一部分，并且只在那部分上訓(xùn)練。每臺(tái)機(jī)器都能同步梯度。

如果你已經(jīng)做到了這一步，那么你現(xiàn)在可以在幾分鐘內(nèi)訓(xùn)練Imagenet了！這并沒有你想象的那么難，但是它可能需要你對(duì)計(jì)算集群的更多知識(shí)。這些說明假設(shè)你正在集群上使用SLURM。

Pytorch允許多節(jié)點(diǎn)訓(xùn)練，通過在每個(gè)節(jié)點(diǎn)上復(fù)制每個(gè)GPU上的模型并同步梯度。所以，每個(gè)模型都是在每個(gè)GPU上獨(dú)立初始化的，本質(zhì)上獨(dú)立地在數(shù)據(jù)的一個(gè)分區(qū)上訓(xùn)練，除了它們都從所有模型接收梯度更新。

在高層次上：

在每個(gè)GPU上初始化一個(gè)模型的副本(確保設(shè)置種子，讓每個(gè)模型初始化到相同的權(quán)重，否則它會(huì)失敗)。

將數(shù)據(jù)集分割成子集(使用DistributedSampler)。每個(gè)GPU只在它自己的小子集上訓(xùn)練。

在.backward()上，所有副本都接收到所有模型的梯度副本。這是模型之間唯一一次的通信。

Pytorch有一個(gè)很好的抽象，叫做DistributedDataParallel，它可以幫你實(shí)現(xiàn)這個(gè)功能。要使用DDP，你需要做4的事情：

deftng_dataloader(): d=MNIST() #4:Adddistributedsampler #samplersendsaportionoftngdatatoeachmachine dist_sampler=DistributedSampler(dataset) dataloader=DataLoader(d,shuffle=False,sampler=dist_sampler) defmain_process_entrypoint(gpu_nb): #2:setupconnectionsbetweenallgpusacrossallmachines #allgpusconnecttoasingleGPU"root" #thedefaultusesenv:// world=nb_gpus*nb_nodes dist.init_process_group("nccl",rank=gpu_nb,world_size=world) #3:wrapmodelinDPP torch.cuda.set_device(gpu_nb) model.cuda(gpu_nb) model=DistributedDataParallel(model,device_ids=[gpu_nb]) #trainyourmodelnow... if__name__=='__main__': #1:spawnnumberofprocesses #yourclusterwillcallmainforeachmachine mp.spawn(main_process_entrypoint,nprocs=8)

然而，在Lightning中，只需設(shè)置節(jié)點(diǎn)數(shù)量，它就會(huì)為你處理其余的事情。

#trainon1024gpusacross128nodes trainer=Trainer(nb_gpu_nodes=128,gpus=[0,1,2,3,4,5,6,7])

Lightning還附帶了一個(gè)SlurmCluster管理器，可以方便地幫助你提交SLURM作業(yè)的正確詳細(xì)信息。

10. 福利！在單個(gè)節(jié)點(diǎn)上多GPU更快的訓(xùn)練

事實(shí)證明，distributedDataParallel比DataParallel快得多，因?yàn)樗粓?zhí)行梯度同步的通信。所以，一個(gè)好的hack是使用distributedDataParallel替換DataParallel，即使是在單機(jī)上進(jìn)行訓(xùn)練。

在Lightning中，這很容易通過將distributed_backend設(shè)置為ddp和設(shè)置GPUs的數(shù)量來實(shí)現(xiàn)。

#trainon4gpusonthesamemachineMUCHfasterthanDataParallel trainer=Trainer(distributed_backend='ddp',gpus=[0,1,2,3])

對(duì)模型加速的思考

盡管本指南將為你提供了一系列提高網(wǎng)絡(luò)速度的技巧，但我還是要給你解釋一下如何通過查找瓶頸來思考問題。

我將模型分成幾個(gè)部分：

首先，我要確保在數(shù)據(jù)加載中沒有瓶頸。為此，我使用了我所描述的現(xiàn)有數(shù)據(jù)加載解決方案，但是如果沒有一種解決方案滿足你的需要，請考慮離線處理和緩存到高性能數(shù)據(jù)存儲(chǔ)中，比如h5py。

接下來看看你在訓(xùn)練步驟中要做什么。確保你的前向傳播速度快，避免過多的計(jì)算以及最小化CPU和GPU之間的數(shù)據(jù)傳輸。最后，避免做一些會(huì)降低GPU速度的事情(本指南中有介紹)。

接下來，我試圖最大化我的batch size，這通常是受GPU內(nèi)存大小的限制?，F(xiàn)在，需要關(guān)注在使用大的batch size的時(shí)候如何在多個(gè)GPUs上分布并最小化延遲（比如，我可能會(huì)嘗試著在多個(gè)gpu上使用8000 +的有效batch size）。

然而，你需要小心大的batch size。針對(duì)你的具體問題，請查閱相關(guān)文獻(xiàn)，看看人們都忽略了什么！

原文標(biāo)題：9個(gè)技巧讓你的PyTorch模型訓(xùn)練變得飛快！

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq