零、序
本文没有任何的原理和解读，只有一些实验的结论，对于想使用混合精度训练的同学可以直接参考结论白嫖，或者直接拿github上的代码(文末放送)。
一、引言
以前做项目的时候出现过一个问题，使用FP16训练的时候，只要BatchSize增加(LR也对应增加)的时候训练，一段时间后就会出现loss异常，同时val对应的明显降低，甚至直接NAN的情况出现，图示如下：
- 这种是比较正常的损失和acc的情况，因为项目的数据非常长尾。
- 这种就是不正常的训练情况, val的损失不下降反而上升，acc不升反而降。
- 还有一种情况，就是训练十几个epoch以后，loss上升到非常大，acc为nan，后续训练都是nan，tensorboard显示有点问题，只好看ckpt的结果了。
训练nan
由于以前每周都没跑很多模型，问题也不是经常出现，所以以为是偶然时间，不过最近恰好最近要做一些transformer的实验，在跑imagenet baseline(R50)的时候，出现了类似的问题，由于FP16训练的时候，出现了溢出的情况所导致的。简单的做了一些实验，整理如下。
二、混合精度训练
混合精度训练，以pytorch 1.6版本为基础的话，大致是有3种方案，依次介绍如下：
- 模型和输入输出直接half，如果有BN，那么BN计算需要转为FP32精度，我上面的问题就是基于此来训练的，代码如下：
if args.FP16:
model = model.half()
for bn in get_bn_modules(model):
bn.float()
...
for data in dataloader:
if args.FP16:
image, label = data[0].half()
output = model(image)
losses = criterion(output, label)
optimizer.zero_grad()
losses.backward()
optimizer.step()- 使用NVIDIA的Apex库，这里有O1,O2,O3三种训练模式，代码如下：
try:
from apex import amp
from apex.parallel import convert_syncbn_model
from apex.parallel import DistributedDataParallel as DDP
except Exception as e:
print("amp have not been import !!!")
if args.apex:
model = convert_syncbn_model(model)
if args.apex:
model, optimizer = amp.initialize(model, optimizer, opt_level=args.mode)
model = DDP(model, delay_allreduce=True)
...
for data in dataloader:
image, label = data[0], data[1]
batch_output = model(image)
losses = criterion(batch_output, label)
optimizer.zero_grad()
if args.apex:
with amp.scale_loss(losses, optimizer) as scaled_loss:
scaled_loss.backward()
optimizer.step()- pytorch1.6版本以后把apex并入到了自身的库里面，代码如下：
from torch.cuda.amp import autocast as autocast
from torch.nn.parallel import DistributedDataParallel as DataParallel
model = DataParallel(model,
device_ids=[args.local_rank],
find_unused_parameters=True)
if args.amp:
scaler = torch.cuda.amp.GradScaler()
for data in dataloader:
image, label = data[0], data[1]
if args.amp:
with autocast():
batch_output = model(image)
losses = criterion(batch_output, label)
if args.amp:
scaler.scale(losses).backward()
scaler.step(optimizer)
scaler.update()三、pytorch不同的分布式训练速度对比
- 环境配置如下：
CPU Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz
GPU 8XV100 32G
cuda 10.2
pytorch 1.7.
pytorch分布式有两种不同的启动方法，一种是单机多卡启动，一种是多机多卡启动, ps: DataParallel不是分布式训练。
- 多机启动
#!/bin/bash
cd $FOLDER;
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -W ignore -m torch.distributed.launch --nproc_per_node 8 train_lanuch.py \
...- 单机启动
cd $FOLDER;
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -W ignore test.py \
--dist-url 'tcp://127.0.0.1:9966' \
--dist-backend 'nccl' \
--multiprocessing-distributed=1 \
--world-size=1 \
--rank=0 \
...详细代码看文末的github链接。
实验一、num workers对于速度的影响
我的服务器是48个物理核心，96个逻辑核心，所以48的情况下，效果最好，不过增加和减少对于模型的影响不大，基本上按照CPU的物理核心个数来设置就可以。
实验二、OMP和MKL对于速度的影响
OMP和MKL对于多机模式下的速度有轻微的影响，如果不想每个都去试，直接经验设置为1最合理。FP16大幅度提升模型的训练速度，可以节省2/5的时间。
实验三、单机和多机启动速度差异
单机和多机启动，对于模型的前向基本是没有影响的， 主要的差异是在loader开始执行的速度，多机比起单机启动要快2倍-5倍左右的时间。
四、不同混合精度训练方法对比
- 实验结果
模型FP16+BNFP32实验记录
很明显可以发现，单存使用FP16进行训练，但是没有loss缩放的情况下，当BS和LR都增大的时候，训练是无法进行的，直接原因就是因为LR过大，导致模型更新的时候数值范围溢出了，同理loss也就直接为NAN了，我尝试把LR调小后发现，模型是可以正常训练的，只是精度略有所下降。
Apex混合精度实验记录
Apex O3模式下的训练情况和上面FP16的结论是一致的，存FP16训练，不管是否有loss缩放都会导致训练NaN，O2和O1是没有任何问题的，O2的精度略低于O1的精度。
AMP实验记录
AMP自动把模型需要用FP32计算的层或者op直接转换，不需要显著性指定。精度比apex高，同时训练时间更少。
2-bit训练，ACTNN
简单的尝试了一下2bit训练，1k的bs是可以跑的，不过速度相比FP16跑，慢了太多，基本可以pass掉了。
附上一个比较合理的收敛情况
正常收敛情况
五、结论
- 如果使用分布式训练，使用pytorch 多机模式启动，收益比较高，如果你不希望所有卡都用的话，那么建议使用单机多卡的模式。
- 如果使用FP16方式计算的话，那么无脑pytorch amp就可以了，速度和精度都比较有优势，代码量也不多。
- 我的增强只用了随机裁剪，水平翻转，跑了90个epoch，原版的resnet50是跑了120个epoch，还有color jitter，imagenet上one crop的结果0.76012，和我的结果相差无几，所以分类任务(基本上最后是求概率的问题，图像，视频都work，已经验证过)上FP16很明显完全可以替代FP32。我跑了一个120epoch的版本，结果是0.767，吊打原版本结果了QAQ。
- 如果跑小的bs，第一种FP16的方法完全是ok的，对于大的bs来说，使用AMP会使得模型的收敛更加稳定。
END
原文：GiantPandaCV
作者： jmc
推荐阅读
更多嵌入式AI技术干货请关注嵌入式AI专栏。
