讓我們面對現(xiàn)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(wǎng)上都是各種神經(jīng)網(wǎng)絡(luò)加速指南，但是一個checklist都沒有（現(xiàn)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(jié)構(gòu)到最復雜的改動都有，可以使你的網(wǎng)絡(luò)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(guān)flags，這樣你可以不用自己編寫這些代碼！

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(yōu)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(guān)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?yōu)镸NIST定義LightningModel并使用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。保存h6py或numpy文件以加速數(shù)據(jù)加載的時代已經(jīng)一去不復返了，使用Pytorch dataloader加載圖像數(shù)據(jù)很簡單(對于NLP數(shù)據(jù)，請查看TorchText)。

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

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(shù)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。

# 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(yōu)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(jié)將重點介紹如何幫助減少內(nèi)存占用，以便你可以繼續(xù)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(jīng)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(jīng)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(shè)我們想要達到128的batch size大小。我們需要以batch size為8執(zhí)行16個前向傳播和向后傳播，然后再執(zhí)行一次優(yōu)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(shè)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(nèi)存的方法是為了記錄日志存儲你的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，調(diào)用.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(jīng)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(shù)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(shù)據(jù)通過它，把數(shù)據(jù)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，你什么都不用做，只需要設(shè)置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(shù)。

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

如果內(nèi)存耗盡，不要將數(shù)據(jù)移回CPU以節(jié)省內(nèi)存。在求助于GPU之前，嘗試以其他方式優(yōu)化你的代碼或GPU之間的內(nèi)存分布。

另一件需要注意的事情是調(diào)用強制GPU同步的操作。清除內(nèi)存緩存就是一個例子。

# 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(xiàn)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(nèi)存占用減半的驚人技術(shù)。大多數(shù)模型使用32bit精度數(shù)字進行訓練。然而，最近的研究發(fā)現(xiàn)，16bit模型也可以工作得很好?；旌暇纫馕吨鴮δ承﹥?nèi)容使用16bit，但將權(quán)重等內(nèi)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。

# 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(nèi)容，也不需要執(zhí)行我上面所寫的操作。設(shè)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(xiàn)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

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。

# 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(shù)量，然后告訴trainer，其他什么都不用做。

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

模型分布訓練

有時你的模型可能太大不能完全放到內(nèi)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。

# 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)

對于這種類型的訓練，在Lightning中不需要指定任何GPU，你應(yīng)該把LightningModule中的模塊放到正確的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并行化操作中獲益。

# 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(jīng)在GPU上了，model.cuda()不會做任何事情。
• 總是把輸入放在設(shè)備列表中的第一個設(shè)備上。
• 在設(shè)備之間傳輸數(shù)據(jù)是昂貴的，把它作為最后的手段。
• 優(yōu)化器和梯度會被保存在GPU 0上，因此，GPU 0上使用的內(nèi)存可能會比其他GPU大得多。

9. 多節(jié)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(shù)據(jù)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(jīng)做到了這一步，那么你現(xiàn)在可以在幾分鐘內(nèi)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(shè)你正在集群上使用SLURM。

Pytorch允許多節(jié)點訓練，通過在每個節(jié)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(zhì)上獨立地在數(shù)據(jù)的一個分區(qū)上訓練，除了它們都從所有模型接收梯度更新。

在高層次上：

1. 在每個GPU上初始化一個模型的副本(確保設(shè)置種子，讓每個模型初始化到相同的權(quán)重，否則它會失敗)。
2. 將數(shù)據(jù)集分割成子集(使用DistributedSampler)。每個GPU只在它自己的小子集上訓練。
3. 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(xiàn)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(shè)置節(jié)點數(shù)量，它就會為你處理其余的事情。

# 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(yè)的正確詳細信息。

10. 在單個節(jié)點上多GPU更快的訓練

事實證明，distributedDataParallel比DataParallel快得多，因為它只執(zhí)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(shè)置為ddp和設(shè)置GPUs的數(shù)量來實現(xiàn)。

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

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(wǎng)絡(luò)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(shù)據(jù)加載中沒有瓶頸。為此，我使用了我所描述的現(xiàn)有數(shù)據(jù)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(shù)據(jù)存儲中，比如h6py。

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(shù)據(jù)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(nèi)存大小的限制?，F(xiàn)在，需要關(guān)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。