本文将通过一个实战案例来展示如何借助于PyTorch自动混合精度库对ResNet50模型进行优化，然后借助少许几行代码即可获得超过两倍速度的模型训练效率。
简介
你是否曾希望你的深度学习模型运行得更快？
但是，我们该选哪一种模型呢？
、 HuggingFace 和已经为模型训练的性能调优提供了很好的参考，包括异步数据加载、缓冲区检查点、分布式数据并行化和自动混合精度等等。
在这篇文章中，我将专注介绍自动混合精度技术。首先，我将简要介绍Nvidia的张量核设计；然后，我们一起探讨发表在ICLR 2018上的开创性工作——“混合精度训练”相关论文；最后，我将介绍一个在FashionMNIST数据集上训练ResNet50模型的简单示例。通过这个示例，我们来展示如何在加载双倍批量数据的同时将训练速度提高两倍，而这一结果却只需要额外编写三行代码。
硬件基础——Nvidia张量核
首先，让我们回顾一下GPU设计的一些基本原理。英伟达GPU最受欢迎的商业产品之一是Volta系列，例如基于GV100 GPU设计的V100 GPU。因此，我们将围绕下面的GV100架构进行讨论。
对于GV100架构来说，流式多处理器（SM）是计算的核心设计。每个GPU包含6个GPU处理集群（GPC）和S84 SM（或V100的80 SM）。其整体设计如下图所示：
对于每个SM，它包含两种类型的核心：CUDA核心和张量核。CUDA核心是Nvidia于2006年推出的原始设计，是CUDA平台的重要组成部分。CUDA核心可分为三种类型：FP64核心/单元、FP32核心/单元和Int32核心/单元。每个GV100 SM包含32个FP64核心、64个FP32核心和64个Int32核心。Volta/Turing（2017）系列GPU中引入了张量核，以便与之前的Pascal（2016）系列分离。GV100上的每个SM包含8个张量核。 链接 处给出了V100 GPU的完整详细信息列表。下面详细介绍SM设计。
为什么选择张量核？Nvidia张量核专门用于执行通用矩阵乘法（GEMM）和半精度矩阵乘法和累加（HMMA）操作。简而言之，GEMM以A*B+C的格式执行矩阵运算，HMMA将运算转换为半精度格式。有关这方面的更详细的讨论可以在 链接 处找到。由于深度学习涉及MMA；所以，张量（Tensor）核心在当今的模型训练和加速计算中至关重要。
当然，当切换到混合精度训练时，请务必检查你使用的GPU的规格。只有最新的GPU系列支持张量核，混合精度训练只能在这些机器上使用。
数据格式基础——单精度（FP32）与半精度（FP16）
现在，让我们仔细看看FP32和FP16格式。FP32和FP16是IEEE格式，使用32位二进制存储和16位二进制存储表示浮点数。这两种格式都包括三个部分：a）符号位；b）指数位；c）尾数位。FP32和FP16分配给指数和尾数的比特数不同，这导致了不同的值范围和精度。
如何将FP16和FP32转换为真实的值呢？根据IEEE-754标准，FP32的十进制值=（-1）^（符号）×2^（十进制指数-127）×（隐式前导1+十进制尾数），其中127是有偏差的指数值。对于FP16，公式变为（-1）^（符号）×2^（十进制指数-15）×（隐式前导1+十进制尾数），其中15是相应的有偏指数值。你可以在 链接 处查看有偏指数值的更多详细信息。
从这个意义上讲，FP32的取值范围约为[-2¹²S，2¹²83;]~[-1.7*1e38，1.7*1e38]，FP16的取值范围大约为[-2⁵，2'8309]=[-32768，32768]。请注意，FP32的十进制指数在0到255之间，我们排除了最大值0xFF，因为它表示NAN。这就解释了为什么最大的十进制指数是254–127=127。当然，类似的规则也适用于FP16。
对于精度方面，请注意指数和尾数都有助于精度限制（也称为非规范化，请参阅 链接 处的详细讨论）。因此，FP32可以表示高达2^（-23）*2^（-126）=2^（-149）的精度，FP16可以表示高至2^（10）*2^。
FP32和FP16表示之间的差异带来了混合精度训练的关键问题，因为深度学习模型的不同层/操作对值范围和精度或者不敏感或者敏感，所以需要单独解决。
混合精度训练
前面，我们已经学习了MMA的硬件基础知识、张量核的概念以及FP32和FP16之间的关键区别。接下来，我们可以进一步讨论混合精度训练的细节。
混合精度训练的想法最早是在2018年ICLR论文 《混合精度训练》（Mixed Precision Training） 中提出的。该论文在训练过程中将深度学习模型转换为半精度浮点，而不会损失模型精度或修改超参数。如上所述，由于FP32和FP16之间的关键区别在于值范围和精度，该论文详细讨论了FP16为什么会导致梯度消失，以及如何通过损失缩放来解决这个问题。此外，该论文还提出了使用FP32主权重拷贝和使用FP32进行归约和向量点积累加等特定操作的技巧。
损失缩放（Loss scaling）。本文给出了一个使用FP32精度训练Multibox SSD探测器网络的示例，如下所示。如果不进行任何缩放，FP16梯度的指数范围≥2^（-24），以下所有值都将变为零，这与FP32相比是不够的。然而，通过实验，将梯度简单地缩放2³=8倍，可以使半精度训练精度恢复到与FP32相匹配的水平。从这个意义上讲，作者认为[2^（-27），2^（-24）]之间的额外百分之几的梯度在训练过程中仍然很重要，而低于2^（-27）的值并不重要。
解决这种规模差异的方法是借助损失缩放的办法。根据链式法则，缩放损失将确保相同的量将缩放所有梯度。但是请注意，在最终权重更新之前，需要取消缩放梯度。
自动混合精度训练
Nvidia公司首先开发了名为APEX的PyTorch扩展自动混合精度训练，然后被PyTorch、TensorFlow、MXNet等主流框架广泛采用。请参阅 链接 处的Nvidia文档。为了简单起见，我们只介绍PyTorch框架中的自动混合精度库：
amp库可以自动处理大多数混合精度训练技术，如FP32主权重复制。开发人员只需要进行操作数自动转换和梯度/损失缩放。
操作数自动转换：尽管我们提到张量核可以大大提高GEMM操作的性能，但某些操作不适合半精度表示。
amp库给出了一个符合半精度条件的 CUDA操作列表 。amp.autocast完全涵盖了大多数矩阵乘法、卷积和线性激活运算；但是，对于归约/求和、softmax和损失计算等，这些计算仍然在FP32中执行，因为它们对数据范围和精度更敏感。
梯度/损失缩放：amp库提供了 自动梯度缩放技术 ；因此，用户在训练过程中不必手动调整缩放。 链接 处可以找到缩放因子的更详细的算法。
一旦缩放了梯度，就需要在进行梯度剪裁和正则化之前将其缩小。更多细节可以在 链接 处找到。
FashionMNIST训练示例
torch.amp库相对易于使用，只需要三行代码即可将训练速度提高2倍。
首先，我们从一个非常简单的任务开始，使用FP32在FashionMNIST数据集（MIT许可证）上训练ResNet50模型；我们可以看到10个世代的训练时间为333秒：
ResNet50模型在数据集FashionMNIST上的训练
小于2**（-24）的梯度与总梯度之比。我们可以看到，FP16将使总梯度的近1/4变为零
评估结果
现在，我们使用amp库。amp库只需要三行额外的代码进行混合精度训练。我们可以看到训练在141秒内完成，比FP32训练快2.36倍，同时达到了相同的精确度、召回率和F1分数。
scaler = torch.cuda.amp.GradScaler()#开始训练的代码# ...with torch.autocast(device_type="cuda"):#训练代码#封装损失与优化器scaler.scale(loss).backward()scaler.step(optimizer)scaler.update()使用amp库进行训练
训练期间的缩放因子（缩放因子仅在第一步发生变化，保持不变。）
最终结果与FP32训练结果比较
上面代码的Github链接：
总结
混合精度训练是加速深度学习模型训练的一种非常有价值的技术。它不仅加快了浮点运算的速度，还节省了GPU内存，因为训练批次可以转换为FP16，从而节省了一半的GPU内存。另外，借助于PyTorch框架中的amp库，额外的代码可以减少到仅仅三行，因为权重复制、损失缩放、操作类型转换等计算都是由该库内部处理的。
需要注意的是，如果模型权重大小远大于数据批次的话，混合精度训练并不能真正解决GPU内存问题。首先，只有模型的某些层被转换成FP16，而其余层仍在FP32中计算；其次，权重更新需要FP32复制，这仍然需要占用大量的GPU内存；第三，Adam等优化器的参数在训练过程中占用了大量GPU内存，而混合精度训练使优化器参数保持不变。从这个意义上说，需要更先进的技术，如DeepSpeed的ZERO算法。
译者介绍
朱先忠，社区编辑，专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。
原文标题： The Mystery Behind the PyTorch Automatic Mixed Precision Library ，作者：Mengliu Zhao