事實上，你的模型可能還停留在石器時代的水平。估計你還在用32位精度或*GASP（一般活動仿真語言）*訓練，甚至可能只在單GPU上訓練。如果市面上有99個加速指南，但你可能只看過1個？（沒錯，就是這樣）。但這份終極指南，會一步步教你清除模型中所有的（GP模型）。

不要讓你的神經(jīng)網(wǎng)絡變成這樣。

這份指南的介紹從簡單到復雜，一直介紹到你可以完成的大多數(shù)PITA修改，以充分利用你的網(wǎng)絡。例子中會包括一些Pytorch代碼和相關標記，可以在 Pytorch-Lightning訓練器中用，以防大家不想自己敲碼！

這份指南針對的是誰？ 任何用Pytorch研究非瑣碎的深度學習模型的人，比如工業(yè)研究人員、博士生、學者等等……這些模型可能要花費幾天，甚至幾周、幾個月的時間來訓練。

指南（從易到難）

1. 使用DataLoader。

2. DataLoader中的進程數(shù)。

3. 批尺寸。

4. 累積梯度。

5. 保留計算圖。

6. 轉至單GPU。

7. 16位混合精度訓練。

8. 轉至多GPU（模型復制）。

9. 轉至多GPU節(jié)點（8+GPUs）。

10. 有關模型加速的思考和技巧

Pytorch-Lightning

文中討論的各種優(yōu)化，都可以在名為Pytorch-Lightning 的Pytorch圖書館中找到。

Lightning是基于Pytorch的一個光包裝器，它可以幫助研究人員自動訓練模型，但關鍵的模型部件還是由研究人員完全控制。

參照此篇教程，獲得更有力的范例。

Lightning采用最新、最尖端的方法，將犯錯的可能性降到最低。

MNIST定義的Lightning模型，可適用于訓練器。

from pytorch-lightning import Trainer

model = LightningModule（…）

trainer = Trainer（）

trainer.fit（model）

1. DataLoader

這可能是最容易提速的地方。靠保存h5py或numpy文件來加速數(shù)據(jù)加載的日子已經(jīng)一去不復返了。用 Pytorch dataloader 加載圖像數(shù)據(jù)非常簡單。

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）

...

在Lightning中，你無需指定一個訓練循環(huán)，只需定義dataLoaders，訓練器便會在 需要時調用它們。

2. DataLoaders中的進程數(shù)

加快速度的第二個秘訣在于允許批量并行加載。所以，你可以一次加載許多批量，而不是一次加載一個。

# 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. 批量大小（Batch size）

在開始下一步優(yōu)化步驟之前，將批量大小調高到CPU內存或GPU內存允許的最大值。

接下來的部分將著重于減少內存占用，這樣就可以繼續(xù)增加批尺寸。

記住，你很可能需要再次更新學習率。如果將批尺寸增加一倍，最好將學習速度也提高一倍。

4. 累積梯度

假如已經(jīng)最大限度地使用了計算資源，而批尺寸仍然太低（假設為8），那我們則需為梯度下降模擬更大的批尺寸，以供精準估計。

假設想讓批尺寸達到128。然后，在執(zhí)行單個優(yōu)化器步驟前，將執(zhí)行16次前向和后向傳播（批量大小為8）。

# 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

而在Lightning中，這些已經(jīng)自動執(zhí)行了。

trainer = Trainer（accumulate_grad_batches=16）

trainer.fit（model）

5. 保留計算圖

撐爆內存很簡單，只要不釋放指向計算圖形的指針，比如……為記錄日志保存loss。

losses = ［］

...

losses.append（loss）

print（f‘current loss： {torch.mean（losses）’}）

上述的問題在于，loss仍然有一個圖形副本。在這種情況中，可用.item（）來釋放它。

# bad

losses.append（loss）

# good

losses.append（loss.item（））

Lightning會特別注意，讓其無法保留圖形副本

6. 單GPU訓練

一旦完成了前面的步驟，就可以進入GPU訓練了。GPU的訓練將對許多GPU核心上的數(shù)學計算進行并行處理。能加速多少取決于使用的GPU類型。個人使用的話，推薦使用2080Ti，公司使用的話可用V100。

剛開始你可能會覺得壓力很大，但其實只需做兩件事： 1）將你的模型移動到GPU上，2）在用其運行數(shù)據(jù)時，把數(shù)據(jù)導至GPU中。

# 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）

如果使用Lightning，則不需要對代碼做任何操作。只需設置標記：

# ask lightning to use gpu 0 for training

trainer = Trainer（gpus=［0］）

trainer.fit（model）

在GPU進行訓練時，要注意限制CPU和GPU之間的傳輸量。

# expensive

x = x.cuda（0）

# very expensive

x = x.cpu（）

x = x.cuda（0）

例如，如果耗盡了內存，不要為了省內存，將數(shù)據(jù)移回CPU。嘗試用其他方式優(yōu)化代碼，或者在用這種方法之前先跨GPUs分配代碼。

此外還要注意進行強制GPUs同步的操作。例如清除內存緩存。

# really bad idea.Stops all the GPUs until they all catch up

torch.cuda.empty_cache（）

但是如果使用Lightning，那么只有在定義Lightning模塊時可能會出現(xiàn)這種問題。Lightning特別注意避免此類錯誤。

7. 16位精度

16位精度可以有效地削減一半的內存占用。大多數(shù)模型都是用32位精度數(shù)進行訓練的。然而最近的研究發(fā)現(xiàn)，使用16位精度，模型也可以很好地工作。混合精度指的是，用16位訓練一些特定的模型，而權值類的用32位訓練。

要想在Pytorch中用16位精度，先從NVIDIA中安裝 apex 圖書館 并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包會處理大部分事情。如果梯度爆炸或趨于零，它甚至會擴大loss。

在Lightning中， 使用16位很簡單，不需對你的模型做任何修改，也不用完成上述操作。

trainer = Trainer（amp_level=’O2‘， use_amp=False）

trainer.fit（model）

8. 移至多GPU

現(xiàn)在，事情就變得有意思了。有3種（也許更多？）方式訓練多GPU。

分批量訓練

A）在每個GPU上復制模型；B）給每個GPU分配一部分批量。

第一種方法叫做分批量訓練。這一策略將模型復制到每個GPU上，而每個GPU會分到該批量的一部分。

# 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，可以直接指示訓練器增加GPU數(shù)量，而無需完成上述任何操作。

# ask lightning to use 4 GPUs for training

trainer = Trainer（gpus=［0， 1， 2， 3］）

trainer.fit（model）

分模型訓練

將模型的不同部分分配給不同的GPU，按順序分配批量

有時模型可能太大，內存不足以支撐。比如，帶有編碼器和解碼器的Sequence to Sequence模型在生成輸出時可能會占用20gb的內存。在這種情況下，我們希望把編碼器和解碼器放在單獨的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

out = encoder_rnn（x.cuda（0））

# run output through decoder on the next GPU

out = decoder_rnn（x.cuda（1））

# normally we want to bring all outputs back to GPU 0

out = out.cuda（0）

對于這種類型的訓練，無需將Lightning訓練器分到任何GPU上。與之相反，只要把自己的模塊導入正確的GPU的Lightning模塊中：

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）

混合兩種訓練方法

在上面的例子中，編碼器和解碼器仍然可以從并行化每個操作中獲益。我們現(xiàn)在可以更具創(chuàng)造力了。

# 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GPUs時需注意的事項

· 如果該設備上已存在model.cuda（），那么它不會完成任何操作。

· 始終輸入到設備列表中的第一個設備上。

· 跨設備傳輸數(shù)據(jù)非常昂貴，不到萬不得已不要這樣做。

· 優(yōu)化器和梯度將存儲在GPU 0上。因此，GPU 0使用的內存很可能比其他處理器大得多。

9. 多節(jié)點GPU訓練

每臺機器上的各GPU都可獲取一份模型的副本。每臺機器分得一部分數(shù)據(jù)，并僅針對該部分數(shù)據(jù)進行訓練。各機器彼此同步梯度。

做到了這一步，就可以在幾分鐘內訓練Imagenet數(shù)據(jù)集了！ 這沒有想象中那么難，但需要更多有關計算集群的知識。這些指令假定你正在集群上使用SLURM。

Pytorch在各個GPU上跨節(jié)點復制模型并同步梯度，從而實現(xiàn)多節(jié)點訓練。因此，每個模型都是在各GPU上獨立初始化的，本質上是在數(shù)據(jù)的一個分區(qū)上獨立訓練的，只是它們都接收來自所有模型的梯度更新。

高級階段：

1. 在各GPU上初始化一個模型的副本（確保設置好種子，使每個模型初始化到相同的權值，否則操作會失效。）

2. 將數(shù)據(jù)集分成子集。每個GPU只在自己的子集上訓練。

3. On .backward（） 所有副本都會接收各模型梯度的副本。只有此時，模型之間才會相互通信。

Pytorch有一個很好的抽象概念，叫做分布式數(shù)據(jù)并行處理，它可以為你完成這一操作。要使用DDP（分布式數(shù)據(jù)并行處理），需要做4件事：

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）

Pytorch團隊對此有一份詳細的實用教程。

然而，在Lightning中，這是一個自帶功能。只需設定節(jié)點數(shù)標志，其余的交給Lightning處理就好。

# 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，可助你簡單地提交SLURM任務的正確細節(jié)

10. 福利！更快的多GPU單節(jié)點訓練

事實證明，分布式數(shù)據(jù)并行處理要比數(shù)據(jù)并行快得多，因為其唯一的通信是梯度同步。因此，最好用分布式數(shù)據(jù)并行處理替換數(shù)據(jù)并行，即使只是在做單機訓練。

在Lightning中，通過將distributed_backend設置為ddp（分布式數(shù)據(jù)并行處理）并設置GPU的數(shù)量，這可以很容易實現(xiàn)。

# train on 4 gpus on the same machine MUCH faster than DataParallel

trainer = Trainer（distributed_backend=‘ddp’， gpus=［0， 1， 2， 3］）

有關模型加速的思考和技巧

如何通過尋找瓶頸來思考問題？可以把模型分成幾個部分：

首先，確保數(shù)據(jù)加載中沒有瓶頸。為此，可以使用上述的現(xiàn)有數(shù)據(jù)加載方案，但是如果沒有適合你的方案，你可以把離線處理及超高速緩存作為高性能數(shù)據(jù)儲存，就像h5py一樣。

接下來看看在訓練過程中該怎么做。確保快速轉發(fā)，避免多余的計算，并將CPU和GPU之間的數(shù)據(jù)傳輸最小化。最后，避免降低GPU的速度（在本指南中有介紹）。

接下來，最大化批尺寸，通常來說，GPU的內存大小會限制批量大小。自此看來，這其實就是跨GPU分布，但要最小化延遲，有效使用大批次（例如在數(shù)據(jù)集中，可能會在多個GPUs上獲得8000+的有效批量大小）。

但是需要小心處理大批次。根據(jù)具體問題查閱文獻，學習一下別人是如何處理的！