不要讓你的神經網絡變成這樣

讓我們面對現實吧，你的模型可能還停留在石器時代。我敢打賭你仍然使用32位精度或GASP甚至只在一個GPU上訓練。

我明白，網上都是各種神經網絡加速指南，但是一個checklist都沒有(現在有了)，使用這個清單，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構到最復雜的改動都有，可以使你的網絡得到最大的好處。我會給你展示示例Pytorch代碼以及可以在Pytorch- lightning Trainer中使用的相關flags，這樣你可以不用自己編寫這些代碼!

**這本指南是為誰準備的?**任何使用Pytorch進行深度學習模型研究的人，如研究人員、博士生、學者等，我們在這里談論的模型可能需要你花費幾天的訓練，甚至是幾周或幾個月。

我們會講到：

使用DataLoaders DataLoader中的workers數量 Batch size 梯度累計 保留的計算圖 移動到單個 16-bit 混合精度訓練 移動到多個GPUs中(模型復制) 移動到多個GPU-nodes中 (8+GPUs) 思考模型加速的技巧

Pytorch-Lightning

你可以在Pytorch的庫Pytorch- lightning中找到我在這里討論的每一個優化。Lightning是在Pytorch之上的一個封裝，它可以自動訓練，同時讓研究人員完全控制關鍵的模型組件。Lightning 使用最新的最佳實踐，并將你可能出錯的地方最小化。

我們為MNIST定義LightningModel并使用Trainer來訓練模型。

frompytorch_lightningimportTrainermodel=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文件以加速數據加載的時代已經一去不復返了，使用Pytorch dataloader加載圖像數據很簡單(對于NLP數據，請查看TorchText)。

在lightning中，你不需要指定訓練循環，只需要定義dataLoaders和Trainer就會在需要的時候調用它們。

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

2. DataLoaders 中的 workers 的數量

另一個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batch，而不是一次裝載一個batch。

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

3. Batch size

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

下一節將重點介紹如何幫助減少內存占用，以便你可以繼續增加batch size。

記住，你可能需要再次更新你的學習率。一個好的經驗法則是，如果batch size加倍，那么學習率就加倍。

4. 梯度累加

在你已經達到計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更大的batch size來進行梯度下降，以提供一個良好的估計。

假設我們想要達到128的batch size大小。我們需要以batch size為8執行16個前向傳播和向后傳播，然后再執行一次優化步驟。

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

在lightning中，全部都給你做好了，只需要設置accumulate_grad_batches=16：

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

5. 保留的計算圖

一個最簡單撐爆你的內存的方法是為了記錄日志存儲你的loss。

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

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

#badlosses.append(loss)#goodlosses.append(loss.item())

Lightning會非常小心，確保不會保留計算圖的副本。

6. 單個GPU訓練

一旦你已經完成了前面的步驟，是時候進入GPU訓練了。在GPU上的訓練將使多個GPU cores之間的數學計算并行化。你得到的加速取決于你所使用的GPU類型。我推薦個人用2080Ti，公司用V100。

乍一看，這可能會讓你不知所措，但你真的只需要做兩件事:1)移動你的模型到GPU, 2)每當你運行數據通過它，把數據放到GPU上。

#putmodelonGPUmodel.cuda(0)#putdataongpu(cudaonavariablereturnsacudacopy)xx=x.cuda(0)#runsonGPUnowmodel(x)

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

#asklightningtousegpu0fortrainingtrainer=Trainer(gpus=[0])trainer.fit(model)

在GPU上進行訓練時，要注意的主要事情是限制CPU和GPU之間的傳輸次數。

#expensivexx=x.cuda(0)#veryexpensivexx=x.cpu()xx=x.cuda(0)

如果內存耗盡，不要將數據移回CPU以節省內存。在求助于GPU之前，嘗試以其他方式優化你的代碼或GPU之間的內存分布。

另一件需要注意的事情是調用強制GPU同步的操作。清除內存緩存就是一個例子。

#reallybadidea.StopsalltheGPUsuntiltheyallcatchuptorch.cuda.empty_cache()

但是，如果使用Lightning，惟一可能出現問題的地方是在定義Lightning Module時。Lightning會特別注意不去犯這類錯誤。

7. 16-bit 精度

16bit精度是將內存占用減半的驚人技術。大多數模型使用32bit精度數字進行訓練。然而，最近的研究發現，16bit模型也可以工作得很好。混合精度意味著對某些內容使用16bit，但將權重等內容保持在32bit。

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

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

amp包會處理好大部分事情。如果梯度爆炸或趨向于0，它甚至會縮放loss。

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

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

8. 移動到多個GPUs中

現在，事情變得非常有趣了。有3種(也許更多?)方法來進行多GPU訓練。

分batch訓練

A) 拷貝模型到每個GPU中，B) 給每個GPU一部分batch

第一種方法被稱為“分batch訓練”。該策略將模型復制到每個GPU上，每個GPU獲得batch的一部分。

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

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

#asklightningtouse4GPUsfortrainingtrainer=Trainer(gpus=[0,1,2,3])trainer.fit(model)

模型分布訓練

將模型的不同部分放在不同的GPU上，batch按順序移動

有時你的模型可能太大不能完全放到內存中。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可能會占用20GB RAM。在本例中，我們希望將編碼器和解碼器放在獨立的GPU上。

#eachmodelissooobigwecan'tfitbothinmemoryencoder_rnn.cuda(0)decoder_rnn.cuda(1)#runinputthroughencoderonGPU0encoder_out=encoder_rnn(x.cuda(0))#runoutputthroughdecoderonthenextGPUout=decoder_rnn(encoder_out.cuda(1))#normallywewanttobringalloutputsbacktoGPU0outout=out.cuda(0)

對于這種類型的訓練，在Lightning中不需要指定任何GPU，你應該把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#theyarealreadyonthecorrectGPUsself.encoder.cuda(0)self.decoder.cuda(1)out=self.encoder(x)out=self.decoder(out.cuda(1))#don'tpassGPUstotrainermodel=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。

#changetheselinesself.encoder=RNN(...)self.decoder=RNN(...)#tothese#noweachRNNisbasedonadifferentgpusetself.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))#noticeinputsonfirstgpuindevicesout=self.decoder(out.cuda(4))#使用多個GPU時要考慮的注意事項：如果模型已經在GPU上了，model.cuda()不會做任何事情。 總是把輸入放在設備列表中的第一個設備上。 在設備之間傳輸數據是昂貴的，把它作為最后的手段。 優化器和梯度會被保存在GPU 0上，因此，GPU 0上使用的內存可能會比其他GPU大得多

9. 多節點GPU訓練

每臺機器上的每個GPU都有一個模型的副本。每臺機器獲得數據的一部分，并且只在那部分上訓練。每臺機器都能同步梯度。

如果你已經做到了這一步，那么你現在可以在幾分鐘內訓練Imagenet了!這并沒有你想象的那么難，但是它可能需要你對計算集群的更多知識。這些說明假設你正在集群上使用SLURM。

Pytorch允許多節點訓練，通過在每個節點上復制每個GPU上的模型并同步梯度。所以，每個模型都是在每個GPU上獨立初始化的，本質上獨立地在數據的一個分區上訓練，除了它們都從所有模型接收梯度更新。

在高層次上：

在每個GPU上初始化一個模型的副本(確保設置種子，讓每個模型初始化到相同的權重，否則它會失敗)。 將數據集分割成子集(使用DistributedSampler)。每個GPU只在它自己的小子集上訓練。 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有一個很好的抽象，叫做DistributedDataParallel，它可以幫你實現這個功能。要使用DDP，你需要做4的事情：

deftng_dataloader():d=MNIST()#4:Adddistributedsampler#samplersendsaportionoftngdatatoeachmachinedist_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_nodesdist.init_process_group("nccl",rank=gpu_nb,worldworld_size=world)#3:wrapmodelinDPPtorch.cuda.set_device(gpu_nb)model.cuda(gpu_nb)model=DistributedDataParallel(model,device_ids=[gpu_nb])#trainyourmodelnow...if__name__=='__main__':#1:spawnnumberofprocesses#yourclusterwillcallmainforeachmachinemp.spawn(main_process_entrypoint,nprocs=8)

然而，在Lightning中，只需設置節點數量，它就會為你處理其余的事情。

#trainon1024gpusacross128nodestrainer=Trainer(nb_gpu_nodes=128,gpus=[0,1,2,3,4,5,6,7])

Lightning還附帶了一個SlurmCluster管理器，可以方便地幫助你提交SLURM作業的正確詳細信息。

10. 福利!在單個節點上多GPU更快的訓練

事實證明，distributedDataParallel比DataParallel快得多，因為它只執行梯度同步的通信。所以，一個好的hack是使用distributedDataParallel替換DataParallel，即使是在單機上進行訓練。

在Lightning中，這很容易通過將distributed_backend設置為ddp和設置GPUs的數量來實現。

#trainon4gpusonthesamemachineMUCHfasterthanDataParalleltrainer=Trainer(distributed_backend='ddp',gpus=[0,1,2,3])

對模型加速的思考

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

我將模型分成幾個部分：

首先，我要確保在數據加載中沒有瓶頸。為此，我使用了我所描述的現有數據加載解決方案，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據存儲中，比如h5py。

接下來看看你在訓練步驟中要做什么。確保你的前向傳播速度快，避免過多的計算以及最小化CPU和GPU之間的數據傳輸。最后，避免做一些會降低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內存大小的限制。現在，需要關注在使用大的batch size的時候如何在多個GPUs上分布并最小化延遲(比如，我可能會嘗試著在多個gpu上使用8000 +的有效batch size)。

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