9个用Pytorch训练快速神经网络的方法

事实上，你的模型可能还停留在石器时代的水平。估计你还在用32位精度或*GASP（一般活动仿真语言）*训练，甚至可能只在单GPU上训练。如果市面上有99个加速指南，但你可能只看过1个？（没错，就是这样）。但这份终极指南，会一步步教你清除模型中所有的（GP模型）。

不要让你的神经网络变成这样。

这份指南的介绍从简单到复杂，一直介绍到你可以完成的大多数PITA修改，以充分利用你的网络。例子中会包括一些Pytorch代码和相关标记，可以在 Pytorch-Lightning训练器中用，以防大家不想自己敲码！

这份指南针对的是谁？ 任何用Pytorch研究非琐碎的深度学习模型的人，比如工业研究人员、博士生、学者等等……这些模型可能要花费几天，甚至几周、几个月的时间来训练。

指南（从易到难）

1. 使用DataLoader。

2. DataLoader中的进程数。

3. 批尺寸。

4. 累积梯度。

5. 保留计算图。

6. 转至单GPU。

7. 16位混合精度训练。

8. 转至多GPU（模型复制）。

9. 转至多GPU节点（8+GPUs）。

10. 有关模型加速的思考和技巧

Pytorch-Lightning

文中讨论的各种优化，都可以在名为Pytorch-Lightning 的Pytorch图书馆中找到。

Lightning是基于Pytorch的一个光包装器，它可以帮助研究人员自动训练模型，但关键的模型部件还是由研究人员完全控制。

参照此篇教程，获得更有力的范例。

Lightning采用最新、最尖端的方法，将犯错的可能性降到最低。

MNIST定义的Lightning模型，可适用于训练器。

from pytorch-lightning import Trainer

model = LightningModule（…）

trainer = Trainer（）

trainer.fit（model）

1. DataLoader

这可能是最容易提速的地方。靠保存h5py或numpy文件来加速数据加载的日子已经一去不复返了。用 Pytorch dataloader 加载图像数据非常简单。

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，你无需指定一个训练循环，只需定义dataLoaders，训练器便会在 需要时调用它们。

2. DataLoaders中的进程数

加快速度的第二个秘诀在于允许批量并行加载。所以，你可以一次加载许多批量，而不是一次加载一个。

# 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）

在开始下一步优化步骤之前，将批量大小调高到CPU内存或GPU内存允许的最大值。

接下来的部分将着重于减少内存占用，这样就可以继续增加批尺寸。

记住，你很可能需要再次更新学习率。如果将批尺寸增加一倍，最好将学习速度也提高一倍。

4. 累积梯度

假如已经最大限度地使用了计算资源，而批尺寸仍然太低（假设为8），那我们则需为梯度下降模拟更大的批尺寸，以供精准估计。

假设想让批尺寸达到128。然后，在执行单个优化器步骤前，将执行16次前向和后向传播（批量大小为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，这些已经自动执行了。

trainer = Trainer（accumulate_grad_batches=16）

trainer.fit（model）

5. 保留计算图

撑爆内存很简单，只要不释放指向计算图形的指针，比如……为记录日志保存loss。

losses = ［］

...

losses.append（loss）

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

上述的问题在于，loss仍然有一个图形副本。在这种情况中，可用.item（）来释放它。

# bad

losses.append（loss）

# good

losses.append（loss.item（））

Lightning会特别注意，让其无法保留图形副本

6. 单GPU训练

一旦完成了前面的步骤，就可以进入GPU训练了。GPU的训练将对许多GPU核心上的数学计算进行并行处理。能加速多少取决于使用的GPU类型。个人使用的话，推荐使用2080Ti，公司使用的话可用V100。

刚开始你可能会觉得压力很大，但其实只需做两件事： 1）将你的模型移动到GPU上，2）在用其运行数据时，把数据导至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，则不需要对代码做任何操作。只需设置标记：

# ask lightning to use gpu 0 for training

trainer = Trainer（gpus=［0］）

trainer.fit（model）

在GPU进行训练时，要注意限制CPU和GPU之间的传输量。

# expensive

x = x.cuda（0）

# very expensive

x = x.cpu（）

x = x.cuda（0）

例如，如果耗尽了内存，不要为了省内存，将数据移回CPU。尝试用其他方式优化代码，或者在用这种方法之前先跨GPUs分配代码。

此外还要注意进行强制GPUs同步的操作。例如清除内存缓存。

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

torch.cuda.empty_cache（）

但是如果使用Lightning，那么只有在定义Lightning模块时可能会出现这种问题。Lightning特别注意避免此类错误。

7. 16位精度

16位精度可以有效地削减一半的内存占用。大多数模型都是用32位精度数进行训练的。然而最近的研究发现，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位训练一些特定的模型，而权值类的用32位训练。

要想在Pytorch中用16位精度，先从NVIDIA中安装 apex 图书馆 并对你的模型进行这些更改。

# 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包会处理大部分事情。如果梯度爆炸或趋于零，它甚至会扩大loss。

在Lightning中， 使用16位很简单，不需对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

现在，事情就变得有意思了。有3种（也许更多？）方式训练多GPU。

分批量训练

A）在每个GPU上复制模型；B）给每个GPU分配一部分批量。

第一种方法叫做分批量训练。这一策略将模型复制到每个GPU上，而每个GPU会分到该批量的一部分。

# 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，可以直接指示训练器增加GPU数量，而无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）

分模型训练

将模型的不同部分分配给不同的GPU，按顺序分配批量

有时模型可能太大，内存不足以支撑。比如，带有编码器和解码器的Sequence to Sequence模型在生成输出时可能会占用20gb的内存。在这种情况下，我们希望把编码器和解码器放在单独的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）

对于这种类型的训练，无需将Lightning训练器分到任何GPU上。与之相反，只要把自己的模块导入正确的GPU的Lightning模块中：

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）

混合两种训练方法

在上面的例子中，编码器和解码器仍然可以从并行化每个操作中获益。我们现在可以更具创造力了。

# 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时需注意的事项

· 如果该设备上已存在model.cuda（），那么它不会完成任何操作。

· 始终输入到设备列表中的第一个设备上。

· 跨设备传输数据非常昂贵，不到万不得已不要这样做。

· 优化器和梯度将存储在GPU 0上。因此，GPU 0使用的内存很可能比其他处理器大得多。

9. 多节点GPU训练

每台机器上的各GPU都可获取一份模型的副本。每台机器分得一部分数据，并仅针对该部分数据进行训练。各机器彼此同步梯度。

做到了这一步，就可以在几分钟内训练Imagenet数据集了！ 这没有想象中那么难，但需要更多有关计算集群的知识。这些指令假定你正在集群上使用SLURM。

Pytorch在各个GPU上跨节点复制模型并同步梯度，从而实现多节点训练。因此，每个模型都是在各GPU上独立初始化的，本质上是在数据的一个分区上独立训练的，只是它们都接收来自所有模型的梯度更新。

高级阶段：

1. 在各GPU上初始化一个模型的副本（确保设置好种子，使每个模型初始化到相同的权值，否则操作会失效。）

2. 将数据集分成子集。每个GPU只在自己的子集上训练。

3. On .backward（） 所有副本都会接收各模型梯度的副本。只有此时，模型之间才会相互通信。

Pytorch有一个很好的抽象概念，叫做分布式数据并行处理，它可以为你完成这一操作。要使用DDP（分布式数据并行处理），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团队对此有一份详细的实用教程。

然而，在Lightning中，这是一个自带功能。只需设定节点数标志，其余的交给Lightning处理就好。

# train on 1024 gpus across 128 nodes

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

Lightning还附带了一个SlurmCluster管理器，可助你简单地提交SLURM任务的正确细节

10. 福利！更快的多GPU单节点训练

事实证明，分布式数据并行处理要比数据并行快得多，因为其唯一的通信是梯度同步。因此，最好用分布式数据并行处理替换数据并行，即使只是在做单机训练。

在Lightning中，通过将distributed_backend设置为ddp（分布式数据并行处理）并设置GPU的数量，这可以很容易实现。

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

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

有关模型加速的思考和技巧

如何通过寻找瓶颈来思考问题？可以把模型分成几个部分：

首先，确保数据加载中没有瓶颈。为此，可以使用上述的现有数据加载方案，但是如果没有适合你的方案，你可以把离线处理及超高速缓存作为高性能数据储存，就像h5py一样。

接下来看看在训练过程中该怎么做。确保快速转发，避免多余的计算，并将CPU和GPU之间的数据传输最小化。最后，避免降低GPU的速度（在本指南中有介绍）。

接下来，最大化批尺寸，通常来说，GPU的内存大小会限制批量大小。自此看来，这其实就是跨GPU分布，但要最小化延迟，有效使用大批次（例如在数据集中，可能会在多个GPUs上获得8000+的有效批量大小）。

但是需要小心处理大批次。根据具体问题查阅文献，学习一下别人是如何处理的！