首頁 > 軟體

加速 PyTorch 模型訓練的 9 個技巧(收藏)

2022-03-15 13:03:16

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位元精度或GASP甚至只在一個GPU上訓練。

我明白,網上都是各種神經網路加速指南,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乾你模型的所有效能。

本指南從最簡單的結構到最複雜的改動都有,可以使你的網路得到最大的好處。我會給你展示範例Pytorch程式碼以及可以在Pytorch- lightning Trainer中使用的相關flags,這樣你可以不用自己編寫這些程式碼!

**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,我們在這裡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(模型複製)
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中找到我在這裡討論的每一個優化。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元件。Lightning 使用最新的最佳實踐,並將你可能出錯的地方最小化。

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

from pytorch_lightning import Trainer
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。儲存h5py或numpy檔案以加速資料載入的時代已經一去不復返了,使用Pytorch dataloader載入影象資料很簡單(對於NLP資料,請檢視TorchText)。

在lightning中,你不需要指定訓練迴圈,只需要定義dataLoaders和Trainer就會在需要的時候呼叫它們。

 dataset = MNIST(root=self.hparams.data_root, train=train, download=True)
 loader = DataLoader(dataset, batch_size=32, shuffle=True)
 for batch in loader:
   x, y = batch
   model.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次並行載入。因此,您可以一次裝載nb_workers個batch,而不是一次裝載一個batch。

# slow
 loader = DataLoader(dataset, batch_size=32, shuffle=True)
 # fast (use 10 workers)
 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所允許的最大範圍。

下一節將重點介紹如何幫助減少記憶體佔用,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,那麼學習率就加倍。

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),然後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個前向傳播和向後傳播,然後再執行一次優化步驟。

# clear last step
optimizer.zero_grad()

# 16 accumulated gradient steps
scaled_loss = 0
for accumulated_step_i in range(16):
     out = model.forward()
     loss = some_loss(out,y)    
     loss.backward()
      scaled_loss += loss.item()
      
# update weights after 8 steps. effective batch = 8*16
optimizer.step()

# loss is now scaled up by the number of accumulated batches
actual_loss = scaled_loss / 16

在lightning中,全部都給你做好了,只需要設定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記憶體的方法是為了記錄紀錄檔儲存你的loss。

 losses = []
 ...
 losses.append(loss)
 
 print(f'current loss: {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,呼叫.item()來釋放它。

![1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif)# bad
 losses.append(loss)
 # good
losses.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之間的數學計算並行化。你得到的加速取決於你所使用的GPU型別。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)每當你執行資料通過它,把資料放到GPU上。

# put model on GPU
model.cuda(0)
 
# put data on gpu (cuda on a variable returns a cuda copy)
x = x.cuda(0)
 
# runs on GPU now
model(x)

  如果你使用Lightning,你什麼都不用做,只需要設定Trainer(gpus=1)

# ask lightning to use gpu 0 for training
trainer = 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。

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

如果記憶體耗盡,不要將資料移回CPU以節省記憶體。在求助於GPU之前,嘗試以其他方式優化你的程式碼或GPU之間的記憶體分佈。

另一件需要注意的事情是呼叫強制GPU同步的操作。清除記憶體快取就是一個例子。

# really bad idea. Stops all the GPUs until they all catch up
torch.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精度是將記憶體佔用減半的驚人技術。大多數模型使用32bit精度數位進行訓練。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,並對你的模型進行這些更改。

# enable 16-bit on the model and the optimizer
model, optimizers = amp.initialize(model, optimizers, opt_level='O2')
 
# when doing .backward, let amp do it so it can scale the loss
with amp.scale_loss(loss, optimizer) as scaled_loss:                     
    scaled_loss.backward()

amp包會處理好大部分事情。如果梯度爆炸或趨向於0,它甚至會縮放loss。

在lightning中,啟用16bit並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。設定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”。該策略將模型複製到每個GPU上,每個GPU獲得batch的一部分。

# copy model on each GPU and give a fourth of the batch to each
model = DataParallel(model, devices=[0, 1, 2 ,3])
 
# out has 4 outputs (one for each gpu)
out = model(x.cuda(0))

  在lightning中,你只需要增加GPUs的數量,然後告訴trainer,其他什麼都不用做。

# ask lightning to use 4 GPUs for training
trainer = Trainer(gpus=[0, 1, 2, 3])
trainer.fit(model)

  模型分佈訓練

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記憶體中。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佔用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。

# each model is sooo big we can't fit both in memory
encoder_rnn.cuda(0)
decoder_rnn.cuda(1)
 
# run input through encoder on GPU 0
encoder_out = encoder_rnn(x.cuda(0))
 
# run output through decoder on the next GPU
out = decoder_rnn(encoder_out.cuda(1))
 
# normally we want to bring all outputs back to GPU 0
out = out.cuda(0)

  對於這種型別的訓練,在Lightning中不需要指定任何GPU,你應該把LightningModule中的模組放到正確的GPU上。

class MyModule(LightningModule):
    def __init__():
        self.encoder = RNN(...)
        self.decoder = RNN(...)
    def forward(x):
        # models won't be moved after the first forward because
        # they are already on the correct GPUs
        self.encoder.cuda(0)
        self.decoder.cuda(1)
        out = self.encoder(x)
        out = self.decoder(out.cuda(1))
         
# don't pass GPUs to trainer
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並行化操作中獲益。

# change these lines
self.encoder = RNN(...)
self.decoder = RNN(...)
 
# to these
# now each RNN is based on a different gpu set
self.encoder = DataParallel(self.encoder, devices=[0, 1, 2, 3])
self.decoder = DataParallel(self.encoder, devices=[4, 5, 6, 7])
 
# in forward...
out = self.encoder(x.cuda(0))
 
# notice inputs on first gpu in device
sout = self.decoder(out.cuda(4))  # <--- the 4 here

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。
  • 總是把輸入放在裝置列表中的第一個裝置上。
  • 在裝置之間傳輸資料是昂貴的,把它作為最後的手段。
  • 優化器和梯度會被儲存在GPU 0上,因此,GPU 0上使用的記憶體可能會比其他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。每臺機器獲得資料的一部分,並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,那麼你現在可以在幾分鐘內訓練Imagenet了!這並沒有你想象的那麼難,但是它可能需要你對計算叢集的更多知識。這些說明假設你正在叢集上使用SLURM。

Pytorch允許多節點訓練,通過在每個節點上覆制每個GPU上的模型並同步梯度。所以,每個模型都是在每個GPU上獨立初始化的,本質上獨立地在資料的一個分割區上訓練,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(確保設定種子,讓每個模型初始化到相同的權重,否則它會失敗)。
  • 將資料集分割成子集(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訊。

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:

def tng_dataloader():
     d = MNIST()
      
     # 4: Add distributed sampler
     # sampler sends a portion of tng data to each machine
     dist_sampler = DistributedSampler(dataset)
     dataloader = DataLoader(d, shuffle=False, sampler=dist_sampler)
      
def main_process_entrypoint(gpu_nb):
     # 2: set up connections  between all gpus across all machines
     # all gpus connect to a single GPU "root"
     # the default uses env://
     world = nb_gpus * nb_nodes
     dist.init_process_group("nccl", rank=gpu_nb, world_size=world)
      
     # 3: wrap model in DPP
     torch.cuda.set_device(gpu_nb)
     model.cuda(gpu_nb)
     model = DistributedDataParallel(model, device_ids=[gpu_nb])
      
     # train your model now...
      
if  __name__ == '__main__':
     # 1: spawn number of processes
     # your cluster will call main for each machine
     mp.spawn(main_process_entrypoint, nprocs=8)

  然而,在Lightning中,只需設定節點數量,它就會為你處理其餘的事情。

# train on 1024 gpus across 128 nodes
trainer = 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作業的正確詳細資訊。

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訊。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設定為ddp和設定GPUs的數量來實現。

# train on 4 gpus on the same machine MUCH faster than DataParallel
trainer = Trainer(distributed_backend='ddp', gpus=[0, 1, 2, 3])

對模型加速的思考

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

我將模型分成幾個部分:

首先,我要確保在資料載入中沒有瓶頸。為此,我使用了我所描述的現有資料載入解決方案,但是如果沒有一種解決方案滿足你的需要,請考慮離線處理和快取到高效能資料儲存中,比如h5py。

接下來看看你在訓練步驟中要做什麼。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之間的資料傳輸。最後,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記憶體大小的限制。現在,需要關注在使用大的batch size的時候如何在多個GPUs上分佈並最小化延遲(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麼!

到此這篇關於加速 PyTorch 模型訓練的 9 個技巧的文章就介紹到這了,更多相關PyTorch 模型訓練內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com!


IT145.com E-mail:sddin#qq.com