讓我們面對現(xiàn)實(shí)吧，你的模型可能還停留在石器時(shí)代。我敢打賭你仍然使用32位精度或GASP甚至只在一個(gè)GPU上訓(xùn)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(gè)checklist都沒有（現(xiàn)在有了），使用這個(gè)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(fù)雜的改動(dòng)都有，可以使你的網(wǎng)絡(luò)得到最大的好處。我會(huì)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！

**這本指南是為誰準(zhǔn)備的？**任何使用Pytorch進(jìn)行深度學(xué)習(xí)模型研究的人，如研究人員、博士生、學(xué)者等，我們在這里談?wù)摰哪Ｐ涂赡苄枰慊ㄙM(fèi)幾天的訓(xùn)練，甚至是幾周或幾個(gè)月。

我們會(huì)講到：

1. 使用DataLoaders
2. DataLoader中的workers數(shù)量
3. Batch size
4. 梯度累計(jì)
5. 保留的計(jì)算圖
6. 移動(dòng)到單個(gè)
7. 16-bit 混合精度訓(xùn)練
8. 移動(dòng)到多個(gè)GPUs中（模型復(fù)制）
9. 移動(dòng)到多個(gè)GPU-nodes中 (8+GPUs)
10. 思考模型加速的技巧

Pytorch-Lightning

你可以在Pytorch的庫Pytorch- lightning中找到我在這里討論的每一個(gè)優(yōu)化。Lightning是在Pytorch之上的一個(gè)封裝，它可以自動(dòng)訓(xùn)練，同時(shí)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(shí)踐，并將你可能出錯(cuò)的地方最小化。

我們?yōu)镸NIST定義LightningModel并使用Trainer來訓(xùn)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h5py或numpy文件以加速數(shù)據(jù)加載的時(shí)代已經(jīng)一去不復(fù)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(xùn)練循環(huán)，只需要定義dataLoaders和Trainer就會(huì)在需要的時(shí)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(gè)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(gè)batch，而不是一次裝載一個(gè)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(gè)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(diǎn)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(xué)習(xí)率。一個(gè)好的經(jīng)驗(yàn)法則是，如果batch size加倍，那么學(xué)習(xí)率就加倍。

4. 梯度累加

在你已經(jīng)達(dá)到計(jì)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(gè)更大的batch size來進(jìn)行梯度下降，以提供一個(gè)良好的估計(jì)。

假設(shè)我們想要達(dá)到128的batch size大小。我們需要以batch size為8執(zhí)行16個(gè)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(jì)算圖

一個(gè)最簡單撐爆你的內(nèi)存的方法是為了記錄日志存儲(chǔ)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(gè)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(huì)非常小心，確保不會(huì)保留計(jì)算圖的副本。

6. 單個(gè)GPU訓(xùn)練

一旦你已經(jīng)完成了前面的步驟，是時(shí)候進(jìn)入GPU訓(xùn)練了。在GPU上的訓(xùn)練將使多個(gè)GPU cores之間的數(shù)學(xué)計(jì)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(gè)人用2080Ti，公司用V100。

乍一看，這可能會(huì)讓你不知所措，但你真的只需要做兩件事:1)移動(dòng)你的模型到GPU, 2)每當(dāng)你運(yùn)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(jìn)行訓(xùn)練時(shí)，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(qiáng)制GPU同步的操作。清除內(nèi)存緩存就是一個(gè)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(shí)。Lightning會(huì)特別注意不去犯這類錯(cuò)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(jìn)行訓(xùn)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(jìn)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(huì)處理好大部分事情。如果梯度爆炸或趨向于0，它甚至?xí)s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(dòng)到多個(gè)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(jìn)行多GPU訓(xùn)練。

分batch訓(xùn)練

第一種方法被稱為“分batch訓(xùn)練”。該策略將模型復(fù)制到每個(gè)GPU上，每個(gè)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(xùn)練

有時(shí)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(shí)可能會(huì)占用20GB RAM。在本例中，我們希望將編碼器和解碼器放在獨(dú)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(xùn)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(gè)GPU時(shí)要考慮的注意事項(xiàng)：

• 如果模型已經(jīng)在GPU上了，model.cuda()不會(huì)做任何事情。
• 總是把輸入放在設(shè)備列表中的第一個(gè)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(huì)被保存在GPU 0上，因此，GPU 0上使用的內(nèi)存可能會(huì)比其他GPU大得多。

9. 多節(jié)點(diǎn)GPU訓(xùn)練

每臺(tái)機(jī)器上的每個(gè)GPU都有一個(gè)模型的副本。每臺(tái)機(jī)器獲得數(shù)據(jù)的一部分，并且只在那部分上訓(xùn)練。每臺(tái)機(jī)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(xùn)練Imagenet了！這并沒有你想象的那么難，但是它可能需要你對計(jì)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(diǎn)訓(xùn)練，通過在每個(gè)節(jié)點(diǎn)上復(fù)制每個(gè)GPU上的模型并同步梯度。所以，每個(gè)模型都是在每個(gè)GPU上獨(dú)立初始化的，本質(zhì)上獨(dú)立地在數(shù)據(jù)的一個(gè)分區(qū)上訓(xùn)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(gè)GPU上初始化一個(gè)模型的副本(確保設(shè)置種子，讓每個(gè)模型初始化到相同的權(quán)重，否則它會(huì)失敗)。
2. 將數(shù)據(jù)集分割成子集(使用DistributedSampler)。每個(gè)GPU只在它自己的小子集上訓(xùn)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(gè)很好的抽象，叫做DistributedDataParallel，它可以幫你實(shí)現(xiàn)這個(gè)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(diǎn)數(shù)量，它就會(huì)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(gè)SlurmCluster管理器，可以方便地幫助你提交SLURM作業(yè)的正確詳細(xì)信息。

10. 福利！在單個(gè)節(jié)點(diǎn)上多GPU更快的訓(xùn)練

事實(shí)證明，distributedDataParallel比DataParallel快得多，因?yàn)樗粓?zhí)行梯度同步的通信。所以，一個(gè)好的hack是使用distributedDataParallel替換DataParallel，即使是在單機(jī)上進(jìn)行訓(xùn)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(shí)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(gè)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(chǔ)中，比如h5py。

接下來看看你在訓(xùn)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(jì)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(huì)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(shí)候如何在多個(gè)GPUs上分布并最小化延遲（比如，我可能會(huì)嘗試著在多個(gè)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(guān)文獻(xiàn)，看看人們都忽略了什么！