AI学习者 · 7月13日

浅谈混合精度训练imagenet

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。

image.png

  • 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。

image.png

  • 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。

image.png
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:

  1. 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()
  1. 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()
  1. 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。

image.png

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。

image.png

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

image.png

  • 实验结果
    模型FP16+BNFP32实验记录

image.png
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
image.png

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

image.png

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
image.png
正常收敛情况

image.png

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。
2 阅读 137
推荐阅读
0 条评论
关注数
14180
内容数
490
嵌入式端AI,包括AI算法在推理框架Tengine,MNN,NCNN,PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群,微信号:gg15319381845(备注:嵌入式)
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息