簡介
AMP：Automatic mixed precision，自動混合精度，可以在神經網絡推理過程中，針對不同的層，采用不同的數據精度進行計算，從而實現節省顯存和加快速度的目的。
在Pytorch 1.5版本及以前，通過NVIDIA提供的apex庫可以實現amp功能。但是在使用過程中會伴隨著一些版本兼容和奇怪的報錯問題。
從1.6版本開始，Pytorch原生支持自動混合精度訓練，并已進入穩定階段，AMP 訓練能在 Tensor Core GPU 上實現更高的性能并節省多達 50％ 的內存。
環境
Python 3.8
Pytorch 1.7.1
CUDA 11 + cudnn 8
NVIDIA GeFore RTX 3070
ps：后續使用移動端的3070，或者3080結合我目前訓練的分類網絡來測試實際效果
原理
關于低精度計算
當前的深度學習框架大都采用的都是FP32來進行權重參數的存儲，比如Python float的類型為雙精度浮點數 FP64，PyTorch Tensor的默認類型為單精度浮點數FP32。
隨著模型越來越大，加速訓練模型的需求就產生了。在深度學習模型中使用FP32主要存在幾個問題，第一模型尺寸大，訓練的時候對顯卡的顯存要求高；第二模型訓練速度慢；第三模型推理速度慢。
其解決方案就是使用低精度計算對模型進行優化。
推理過程中的模型優化目前比較成熟的方案就是FP16量化和INT8量化，NVIDIA TensorRT等框架就可以支持，這里不再贅述。訓練方面的方案就是混合精度訓練，它的基本思想很簡單: 精度減半(FP32→ FP16) ，訓練時間減半。
與單精度浮點數float32（32bit，4個字節）相比，半精度浮點數float16僅有16bit，2個字節組成。
可以很明顯的看到，使用FP16可以解決或者緩解上面FP32的兩個問題：顯存占用更少：通用的模型FP16占用的內存只需原來的一半，訓練的時候可以使用更大的batchsize。
計算速度更快：有論文指出半精度的計算吞吐量可以是單精度的 2-8 倍。
從上到下依次為 fp16、fp32 、fp64
當前很多NVIDIA GPU搭載了專門為快速FP16矩陣運算設計的特殊用途Tensor Core，比如Tesla P100，Tesla V100、Tesla A100、GTX 20XX 和RTX 30XX等。
Tensor Core是一種矩陣乘累加的計算單元，每個Tensor Core每個時鐘執行64個浮點混合精度操作（FP16矩陣相乘和FP32累加），英偉達宣稱使用Tensor Core進行矩陣運算可以輕易的提速，同時降低一半的顯存訪問和存儲。
隨著Tensor Core的普及FP16計算也一步步走向成熟，低精度計算也是未來深度學習的一個重要趨勢。
Tensor Core 的 4x4x4 矩陣乘法與累加
Volta GV100 Tensor Core 流程圖
自動混合精度訓練
不同于在推理過程中直接削減權重精度，在模型訓練的過程中，直接使用半精度進行計算會導致的兩個問題的處理：舍入誤差(Rounding Error)和溢出錯誤(Grad Overflow / Underflow)。
舍入誤差： float16的最大舍入誤差約為 (~2 ^-10 )，比float32的最大舍入誤差(~2 ^-23) 要大不少。 對足夠小的浮點數執行的任何操作都會將該值四舍五入到零，在反向傳播中很多甚至大多數梯度更新值都非常小，但不為零。 在反向傳播中舍入誤差累積可以把這些數字變成0或者 nan， 這會導致不準確的梯度更新，影響網絡的收斂。
溢出錯誤： 由于float16的有效的動態范圍約為 ( 5.96×10^-8 ~ 6.55×10^4)，比單精度的float32(1.4x10^-45 ~ 1.7x10^38)要狹窄很多，精度下降(小數點后16相比較小數點后8位要精確的多)會導致得到的值大于或者小于fp16的有效動態范圍，也就是上溢出或者下溢出。
在深度學習中，由于激活函數的的梯度往往要比權重梯度小，更易出現下溢出的情況。2018年ICLR論文 Mixed Precision Training 中提到，簡單的在每個地方使用FP16會損失掉梯度更新小于2^-24的值——大約占他們的示例網絡所有梯度更新的5%。
解決方案就是使用混合精度訓練（Mixed Precision）和損失縮放(Loss Scaling)：
1、混合精度訓練：
混合精度訓練是一種通過在FP16上執行盡可能多的操作來大幅度減少神經網絡訓練時間的技術，在像線性層或是卷積操作上，FP16運算較快，但像Reduction運算又需要 FP32的動態范圍。通過混合精度訓練的方式，便可以在部分運算操作使用FP16，另一部分則使用 FP32，混合精度功能會嘗試為每個運算使用相匹配的數據類型，在內存中用FP16做儲存和乘法從而加速計算，用FP32做累加避免舍入誤差。這樣在權重更新的時候就不會出現舍入誤差導致更新失敗，混合精度訓練的策略有效地緩解了舍入誤差的問題。
2、損失縮放：
即使用了混合精度訓練，還是會存在無法收斂的情況，原因是激活梯度的值太小，造成了下溢出。損失縮放是指在執行反向傳播之前，將損失函數的輸出乘以某個標量數(論文建議從8開始)。 乘性增加的損失值產生乘性增加的梯度更新值，提升許多梯度更新值到超過FP16的安全閾值2^-24。 只要確保在應用梯度更新之前撤消縮放，并且不要選擇一個太大的縮放以至于產生inf權重更新(上溢出) ，從而導致網絡向相反的方向發散。
使用Pytorch AMP
Pytorch原生的amp模式使用起來相當簡單，只需要從torch.cuda.amp導入GradScaler和 autocast這兩個函數即可。torch.cuda.amp的名字意味著這個功能只能在cuda上使用，事實上，這個功能正是NVIDIA的開發人員貢獻到PyTorch項目中的。
Pytorch在amp模式下維護兩個權重矩陣的副本，一個主副本用 FP32，一個半精度副本用 FP16。 梯度更新使用FP16矩陣計算，但更新于 FP32矩陣。 這使得應用梯度更新更加安全。
autocast上下文管理器實現了 FP32到FP16的轉換，它會自動判別哪些層可以進行FP16哪些層不可以。 GradScaler對梯度更新計算(檢查是否溢出)和優化器(將丟棄的batches轉換為 no-op)進行控制，通過放大loss的值來防止梯度的溢出。
在訓練中的具體使用方法如下所示：
def train():
batch_size = 8
epochs = 10
lr = 1e-3
size = 256
num_class = 35
use_amp = True
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print('torch version: {}'.format(torch.__version__))
print('amp: {}'.format(use_amp))
print('device: {}'.format(device))
print('epochs: {}'.format(epochs))
print('learn rate: {}'.format(lr))
print('batch size: {}'.format(batch_size))
net = ERFNet(num_classes=num_class).to(device)
train_data = CityScapesDataset('D:\\dataset\\cityscapes',
'D:\\dataset\\cityscapes\\trainImages.txt',
'D:\\dataset\\cityscapes\\trainLabels.txt',
size, num_class)
val_data = CityScapesDataset('D:\\dataset\\cityscapes',
'D:\\dataset\\cityscapes\\valImages.txt',
'D:\\dataset\\cityscapes\\valLabels.txt',
size, num_class)
train_dataloader = DataLoader(train_data, batch_size=batch_size, shuffle=False, num_workers=8)
val_dataloader = DataLoader(val_data, batch_size=batch_size, shuffle=False, num_workers=4)
opt = torch.optim.Adam(net.parameters(), lr=lr)
criterion = torch.nn.CrossEntropyLoss(ignore_index=255)
if use_amp:
scaler = torch.cuda.amp.GradScaler()
writer = SummaryWriter("summary")
train_loss = AverageMeter()
val_acc = AverageMeter()
val_miou = AverageMeter()
for epoch in range(0, epochs):
train_loss.reset()
val_acc.reset()
val_miou.reset()
with tqdm(total=train_data.__len__(), unit='img', desc="Epoch {}/{}".format(epoch + 1, epochs)) as pbar:
# train
net.train()
for img, mask in train_dataloader:
img = img.to(device)
mask = mask.to(device)
n = img.size()[0]
opt.zero_grad()
if use_amp:
with torch.cuda.amp.autocast():
output = net(img)
loss = criterion(output, mask)
scaler.scale(loss).backward()
scaler.step(opt)
scaler.update()
else:
output = net(img)
loss = criterion(output, mask)
loss.backward()
opt.step()
train_loss.update(loss.item(), n)
pbar.set_postfix(**{"loss": train_loss.avg})
pbar.update(img.size()[0])
writer.add_scalar('train_loss', train_loss.avg, epoch)
# eval
net.eval()
for img, mask in val_dataloader:
img = img.to(device)
mask = mask
n = img.size()[0]
output = net(img)
pred_mask = torch.softmax(output, dim=1)
pred_mask = pred_mask.detach().cpu().numpy()
pred_mask = np.argmax(pred_mask, axis=1)
true_mask = mask.numpy()
acc, acc_cls, mean_iu, fwavacc = evaluate(pred_mask, true_mask, num_class)
val_acc.update(acc)
val_miou.update(mean_iu)
writer.add_scalar('val_acc', val_acc.avg, epoch)
writer.add_scalar('val_miou', val_miou.avg, epoch)
pbar.set_postfix(**{"loss": train_loss.avg, "val_acc": val_acc.avg, "val_miou": val_miou.avg})
實驗
硬件使用NVIDIA Geforce RTX 3070作為測試卡，這塊卡有184個Tensor Core，能比較好的支持amp模式。
模型使用ERFNet分割模型作為基準，cityscapes作為測試數據，10個epoch下的測試效果如下所示：
在模型的訓練性能方面，amp模式下的平均訓練時間并沒有明顯節省，甚至還略低于正常模式。
顯存的占用大約節省了25%，對于需要大量顯存的模型來說這個提升還是相當可觀的。
理論上訓練速度應該也是有提升的，到Pytorch的GitHub issue里翻了一下，好像30系顯卡會存在速度提不上來的問題，不太清楚是驅動支持不到位還是軟件適配不到位。
| Metrics |
time |
memory |
| AMP |
66.72s |
2.5G |
| NO_AMP |
65.64s |
3.3G |
amp
no_amp
在模型的精度方面，在不進行數據shuffle的情況下統計了10個epoch下兩種模式的train_loss和val_acc，可以看出不管是訓練還是推理，amp模式并沒有帶來明顯的精度損失。
cmp
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- pytorch隨機采樣操作SubsetRandomSampler()
- 一文弄懂Pytorch的DataLoader, DataSet, Sampler之間的關系
- pytorch sampler對數據進行采樣的實現
- 在Pytorch中使用樣本權重(sample_weight)的正確方法
