這份終極指南從簡單到復(fù)雜，一步步教你清除模型中所有的GP模型，直到你可以完成的大多數(shù)PITA修改，以充分利用你的網(wǎng)絡(luò)。

事實(shí)上，你的模型可能還停留在石器時代的水平。估計(jì)你還在用32位精度或GASP（一般活動仿真語言）訓(xùn)練，甚至可能只在單GPU上訓(xùn)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）。

這份指南的介紹從簡單到復(fù)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(luò)。例子中會包括一些Pytorch代碼和相關(guān)標(biāo)記，可以在 Pytorch-Lightning訓(xùn)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(xué)習(xí)模型的人，比如工業(yè)研究人員、博士生、學(xué)者等等……這些模型可能要花費(fèi)幾天，甚至幾周、幾個月的時間來訓(xùn)練。

本文涵蓋以下內(nèi)容（從易到難）：

1. 使用DataLoader
2. DataLoader中的進(jìn)程數(shù)
3. 批尺寸
4. 累積梯度
5. 保留計(jì)算圖
6. 轉(zhuǎn)至單GPU
7. 16位混合精度訓(xùn)練
8. 轉(zhuǎn)至多GPU(模型復(fù)制)
9. 轉(zhuǎn)至多GPU節(jié)點(diǎn)(8+GPUs)
10. 有關(guān)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Pytorch-Lightning找到：https://github.com/williamFalcon/pytorch-lightning?source=post_page

Lightning是基于Pytorch的一個光包裝器，它可以幫助研究人員自動訓(xùn)練模型，但關(guān)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：https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/single_gpu_node_template.py?source=post_page

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(xùn)練器：https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/lightning_module_template.py?source=post_page

frompytorch-lightningimportTrainer
model=LightningModule(…)
trainer=Trainer()
trainer.fit(model)

1. DataLoader

這可能是最容易提速的地方?？勘４鎕5py或numpy文件來加速數(shù)據(jù)加載的日子已經(jīng)一去不復(fù)返了。用 Pytorch dataloader 加載圖像數(shù)據(jù)非常簡單：https://pytorch.org/tutorials/beginner/data_loading_tutorial.html?source=post_page

關(guān)于NLP數(shù)據(jù)，請參照TorchText：https://torchtext.readthedocs.io/en/latest/datasets.html?source=post_page

dataset=MNIST(root=self.hparams.data_root,train=train,download=True)
loader=DataLoader(dataset,batch_size=32,shuffle=True)
forbatchinloader:
x,y=batch
model.training_step(x,y)
...

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

2. DataLoaders中的進(jìn)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(use10workers)
loader=DataLoader(dataset,batch_size=32,shuffle=True,num_workers=10)

3. 批量大?。˙atch size）

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

接下來的部分將著重于減少內(nèi)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(xué)習(xí)率。如果將批尺寸增加一倍，最好將學(xué)習(xí)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(jì)算資源，而批尺寸仍然太低(假設(shè)為8)，那我們則需為梯度下降模擬更大的批尺寸，以供精準(zhǔn)估計(jì)。

假設(shè)想讓批尺寸達(dá)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）。

#clearlaststep
optimizer.zero_grad()

#16accumulatedgradientsteps
scaled_loss=0
foraccumulated_step_iinrange(16):
out=model.forward()
loss=some_loss(out,y)
loss.backward()

scaled_loss+=loss.item()

#updateweightsafter8steps.effectivebatch=8*16
optimizer.step()

#lossisnowscaledupbythenumberofaccumulatedbatches
actual_loss=scaled_loss/16properties

而在Lightning中，這些已經(jīng)自動執(zhí)行了。只需設(shè)置標(biāo)記：

trainer=Trainer(accumulate_grad_batches=16)
trainer.fit(model)

5. 保留計(jì)算圖

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

losses=[]

...
losses.append(loss)

print(f'currentloss:)

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。示例：https://github.com/williamFalcon/pytorch-lightning/blob/master/pytorch_lightning/models/trainer.py#L812

6. 單GPU訓(xùn)練

一旦完成了前面的步驟，就可以進(jìn)入GPU訓(xùn)練了。GPU的訓(xùn)練將對許多GPU核心上的數(shù)學(xué)計(jì)算進(jìn)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(shí)只需做兩件事：1)將你的模型移動到GPU上，2)在用其運(yùn)行數(shù)據(jù)時，把數(shù)據(jù)導(dǎo)至GPU中。

#putmodelonGPU
model.cuda(0)

#putdataongpu(cudaonavariablereturnsacudacopy)
x=x.cuda(0)

#runsonGPUnow
model(x)

如果使用Lightning，則不需要對代碼做任何操作。只需設(shè)置標(biāo)記：

#asklightningtousegpu0fortraining
trainer=Trainer(gpus=[0])
trainer.fit(model)

在GPU進(jìn)行訓(xùn)練時，要注意限制CPU和GPU之間的傳輸量。

#expensive
x=x.cuda(0)

#veryexpensive
x=x.cpu()
x=x.cuda(0)

例如，如果耗盡了內(nèi)存，不要為了省內(nèi)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(jìn)行強(qiáng)制GPUs同步的操作。例如清除內(nèi)存緩存。

#reallybadidea.StopsalltheGPUsuntiltheyallcatchup
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(nèi)存占用。大多數(shù)模型都是用32位精度數(shù)進(jìn)行訓(xùn)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?；旌暇戎傅氖?，用16位訓(xùn)練一些特定的模型，而權(quán)值類的用32位訓(xùn)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(jìn)行這些更改。

#enable16-bitonthemodelandtheoptimizer
model,optimizers=amp.initialize(model,optimizers,opt_level='O2')

#whendoing.backward,letampdoitsoitcanscaletheloss
withamp.scale_loss(loss,optimizer)asscaled_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?xí)U(kuò)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(xùn)練多GPU。

• 分批量訓(xùn)練

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

#copymodeloneachGPUandgiveafourthofthebatchtoeach
model=DataParallel(model,devices=[0,1,2,3])

#outhas4outputs(oneforeachgpu)
out=model(x.cuda(0))

在Lightning中，可以直接指示訓(xùn)練器增加GPU數(shù)量，而無需完成上述任何操作。

#asklightningtouse4GPUsfortraining
trainer=Trainer(gpus=[0,1,2,3])
trainer.fit(model)

• 分模型訓(xùn)練

有時模型可能太大，內(nèi)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(nèi)存。在這種情況下，我們希望把編碼器和解碼器放在單獨(dú)的GPU上。

#eachmodelissooobigwecan'tfitbothinmemory
encoder_rnn.cuda(0)
decoder_rnn.cuda(1)

#runinputthroughencoderonGPU0
out=encoder_rnn(x.cuda(0))

#runoutputthroughdecoderonthenextGPU
out=decoder_rnn(x.cuda(1))

#normallywewanttobringalloutputsbacktoGPU0
out=out.cuda(0)

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

classMyModule(LightningModule):

def__init__():
self.encoder=RNN(...)
self.decoder=RNN(...)

defforward(x):
#modelswon'tbemovedafterthefirstforwardbecause
#theyarealreadyonthecorrectGPUs
self.encoder.cuda(0)
self.decoder.cuda(1)

out=self.encoder(x)
out=self.decoder(out.cuda(1))

#don'tpassGPUstotrainer
model=MyModule()
trainer=Trainer()
trainer.fit(model)

• 混合兩種訓(xùn)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。

#changetheselines
self.encoder=RNN(...)
self.decoder=RNN(...)

#tothese
#noweachRNNisbasedonadifferentgpuset
self.encoder=DataParallel(self.encoder,devices=[0,1,2,3])
self.decoder=DataParallel(self.encoder,devices=[4,5,6,7])

#inforward...
out=self.encoder(x.cuda(0))

#noticeinputsonfirstgpuindevice
sout=self.decoder(out.cuda(4))#<---?the?4?here

使用多GPUs時需注意的事項(xiàng)

• 如果該設(shè)備上已存在model.cuda()，那么它不會完成任何操作。

• 始終輸入到設(shè)備列表中的第一個設(shè)備上。

• 跨設(shè)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(nèi)存很可能比其他處理器大得多。

9. 多節(jié)點(diǎn)GPU訓(xùn)練

每臺機(jī)器上的各GPU都可獲取一份模型的副本。每臺機(jī)器分得一部分?jǐn)?shù)據(jù)，并僅針對該部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練。各機(jī)器彼此同步梯度。

做到了這一步，就可以在幾分鐘內(nèi)訓(xùn)練Imagenet數(shù)據(jù)集了! 這沒有想象中那么難，但需要更多有關(guān)計(jì)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(diǎn)復(fù)制模型并同步梯度，從而實(shí)現(xiàn)多節(jié)點(diǎn)訓(xùn)練。因此，每個模型都是在各GPU上獨(dú)立初始化的，本質(zhì)上是在數(shù)據(jù)的一個分區(qū)上獨(dú)立訓(xùn)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(shè)置好種子，使每個模型初始化到相同的權(quán)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(xùn)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：

deftng_dataloader(,m):

d=MNIST()
#4:Adddistributedsampler
#samplersendsaportionoftngdatatoeachmachine
dist_sampler=DistributedSampler(dataset)
dataloader=DataLoader(d,shuffle=False,sampler=dist_sampler)

defmain_process_entrypoint(gpu_nb):
#2:setupconnectionsbetweenallgpusacrossallmachines
#allgpusconnecttoasingleGPU"root"
#thedefaultusesenv://
world=nb_gpus*nb_nodes
dist.init_process_group("nccl",rank=gpu_nb,world_size=world)

#3:wrapmodelinDPP
torch.cuda.set_device(gpu_nb)
model.cuda(gpu_nb)
model=DistributedDataParallel(model,device_ids=[gpu_nb])

#trainyourmodelnow...

if__name__=='__main__':
#1:spawnnumberofprocesses
#yourclusterwillcallmainforeachmachine
mp.spawn(main_process_entrypoint,nprocs=8)

Pytorch團(tuán)隊(duì)對此有一份詳細(xì)的實(shí)用教程：https://github.com/pytorch/examples/blob/master/imagenet/main.py?source=post_page

然而，在Lightning中，這是一個自帶功能。只需設(shè)定節(jié)點(diǎn)數(shù)標(biāo)志，其余的交給Lightning處理就好。

#trainon1024gpusacross128nodes
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(wù)的正確細(xì)節(jié)。示例：https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/multi_node_cluster_template.py#L103-L134

10. 福利！更快的多GPU單節(jié)點(diǎn)訓(xùn)練

事實(shí)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?yàn)槠湮ㄒ坏耐ㄐ攀翘荻韧?。因此，最好用分布式?shù)據(jù)并行處理替換數(shù)據(jù)并行，即使只是在做單機(jī)訓(xùn)練。

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

#trainon4gpusonthesamemachineMUCHfasterthanDataParallel
trainer=Trainer(distributed_backend='ddp',gpus=[0,1,2,3])

有關(guān)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(xùn)練過程中該怎么做。確?？焖俎D(zhuǎn)發(fā)，避免多余的計(jì)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(nèi)存大小會限制批量大小。自此看來，這其實(shí)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(xiàn)，學(xué)習(xí)一下別人是如何處理的！

原文鏈接：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565