自動混合精度範例

一般來說，「自動混合精度訓練」指的是同時使用 torch.autocast 和 torch.amp.GradScaler 進行訓練。

torch.autocast 的實例能夠為選定的區域啟用自動轉換 (autocasting)。自動轉換會自動選擇運算的精度，以在保持準確度的同時提高效能。

torch.amp.GradScaler 的實例有助於方便地執行梯度縮放的步驟。梯度縮放通過最小化梯度下溢來改善具有 float16 (預設在 CUDA 和 XPU 上) 梯度的網路的收斂性，如 此處 所述。

torch.autocast 和 torch.amp.GradScaler 是模組化的。在下面的範例中，每一個都按照其各自的文件建議使用。

(此處的範例僅為說明。有關可執行的逐步指南，請參閱 自動混合精度配方。)

典型的混合精度訓練

# Creates model and optimizer in default precision
model = Net().cuda()
optimizer = optim.SGD(model.parameters(), ...)

# Creates a GradScaler once at the beginning of training.
scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()

        # Runs the forward pass with autocasting.
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)

        # Scales loss.  Calls backward() on scaled loss to create scaled gradients.
        # Backward passes under autocast are not recommended.
        # Backward ops run in the same dtype autocast chose for corresponding forward ops.
        scaler.scale(loss).backward()

        # scaler.step() first unscales the gradients of the optimizer's assigned params.
        # If these gradients do not contain infs or NaNs, optimizer.step() is then called,
        # otherwise, optimizer.step() is skipped.
        scaler.step(optimizer)

        # Updates the scale for next iteration.
        scaler.update()

處理未縮放的梯度

由 scaler.scale(loss).backward() 產生的所有梯度都會被縮放。如果您希望在 backward() 和 scaler.step(optimizer) 之間修改或檢查參數的 .grad 屬性，您應該首先取消縮放它們。例如，梯度裁剪會操作一組梯度，使其全域範數 (參見 torch.nn.utils.clip_grad_norm_()) 或最大幅度 (參見 torch.nn.utils.clip_grad_value_()) 為 $<=$ 某個使用者設定的閾值。如果您嘗試在 *不* 取消縮放的情況下進行裁剪，則梯度的範數/最大幅度也會被縮放，因此您請求的閾值 (該閾值本應是 *未縮放* 梯度的閾值) 將無效。

scaler.unscale_(optimizer) 會取消縮放由 optimizer 的指定參數所持有的梯度。如果您的模型包含已分配給另一個優化器 (例如 optimizer2) 的其他參數，您可以分別調用 scaler.unscale_(optimizer2) 來取消縮放這些參數的梯度。

梯度裁剪

在裁剪之前調用 scaler.unscale_(optimizer) 使您可以像往常一樣裁剪未縮放的梯度

scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)
        scaler.scale(loss).backward()

        # Unscales the gradients of optimizer's assigned params in-place
        scaler.unscale_(optimizer)

        # Since the gradients of optimizer's assigned params are unscaled, clips as usual:
        torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm)

        # optimizer's gradients are already unscaled, so scaler.step does not unscale them,
        # although it still skips optimizer.step() if the gradients contain infs or NaNs.
        scaler.step(optimizer)

        # Updates the scale for next iteration.
        scaler.update()

scaler 記錄了此迭代已為此優化器調用 scaler.unscale_(optimizer)，因此 scaler.step(optimizer) 知道在 (內部) 調用 optimizer.step() 之前不要多餘地取消縮放梯度。

警告

unscale_ 應該每個 step 調用只對每個優化器調用一次，並且僅在已累積該優化器指定參數的所有梯度後才調用。在每個 step 之間針對給定的優化器調用 unscale_ 兩次會觸發 RuntimeError。

處理縮放的梯度

梯度累積

梯度累積會對大小為 batch_per_iter * iters_to_accumulate 的有效批次添加梯度 (如果是分佈式，則為 * num_procs)。應針對有效批次校準縮放，這意味著 inf/NaN 檢查、如果找到 inf/NaN 梯度則跳過步進，並且縮放更新應以有效批次粒度進行。此外，在累積給定有效批次的梯度時，梯度應保持縮放，並且縮放因子應保持恆定。如果在累積完成之前取消縮放梯度 (或縮放因子發生變化)，則下一次反向傳播將把縮放的梯度添加到未縮放的梯度 (或按不同因子縮放的梯度)，之後就無法恢復累積的未縮放梯度 step 必須應用。

因此，如果您想 unscale_ 梯度（例如，允許裁剪未縮放的梯度），請在 step 之前，也就是在即將到來的 step 的所有（已縮放）梯度都已累積之後，再呼叫 unscale_。此外，只有在您呼叫 step 以獲得完整有效批次的迭代結束時，才呼叫 update。

scaler = GradScaler()

for epoch in epochs:
    for i, (input, target) in enumerate(data):
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)
            loss = loss / iters_to_accumulate

        # Accumulates scaled gradients.
        scaler.scale(loss).backward()

        if (i + 1) % iters_to_accumulate == 0:
            # may unscale_ here if desired (e.g., to allow clipping unscaled gradients)

            scaler.step(optimizer)
            scaler.update()
            optimizer.zero_grad()

梯度懲罰

梯度懲罰的實作通常使用 torch.autograd.grad() 建立梯度，將它們組合起來以建立懲罰值，並將懲罰值加到損失中。

這是一個沒有梯度縮放或自動轉換 (autocasting) 的 L2 懲罰的普通範例。

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)

        # Creates gradients
        grad_params = torch.autograd.grad(outputs=loss,
                                          inputs=model.parameters(),
                                          create_graph=True)

        # Computes the penalty term and adds it to the loss
        grad_norm = 0
        for grad in grad_params:
            grad_norm += grad.pow(2).sum()
        grad_norm = grad_norm.sqrt()
        loss = loss + grad_norm

        loss.backward()

        # clip gradients here, if desired

        optimizer.step()

要實作帶有梯度縮放的梯度懲罰，傳遞給 torch.autograd.grad() 的 outputs Tensor 應該要經過縮放。因此，產生的梯度將會是縮放後的，並且在組合以建立懲罰值之前應該先 unscale。

此外，懲罰項的計算是前向傳播的一部分，因此應該在 autocast 上下文中進行。

以下是相同 L2 懲罰的樣子。

scaler = GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output = model(input)
            loss = loss_fn(output, target)

        # Scales the loss for autograd.grad's backward pass, producing scaled_grad_params
        scaled_grad_params = torch.autograd.grad(outputs=scaler.scale(loss),
                                                 inputs=model.parameters(),
                                                 create_graph=True)

        # Creates unscaled grad_params before computing the penalty. scaled_grad_params are
        # not owned by any optimizer, so ordinary division is used instead of scaler.unscale_:
        inv_scale = 1./scaler.get_scale()
        grad_params = [p * inv_scale for p in scaled_grad_params]

        # Computes the penalty term and adds it to the loss
        with autocast(device_type='cuda', dtype=torch.float16):
            grad_norm = 0
            for grad in grad_params:
                grad_norm += grad.pow(2).sum()
            grad_norm = grad_norm.sqrt()
            loss = loss + grad_norm

        # Applies scaling to the backward call as usual.
        # Accumulates leaf gradients that are correctly scaled.
        scaler.scale(loss).backward()

        # may unscale_ here if desired (e.g., to allow clipping unscaled gradients)

        # step() and update() proceed as usual.
        scaler.step(optimizer)
        scaler.update()

使用多個模型、損失和優化器

如果您的網路有多個損失，您必須個別在每個損失上呼叫 scaler.scale。如果您的網路有多個優化器，您可以個別在任何一個優化器上呼叫 scaler.unscale_，並且您必須個別在每個優化器上呼叫 scaler.step。

但是，scaler.update 應該只被呼叫一次，在所有在此次迭代中使用的優化器都被 step 之後。

scaler = torch.amp.GradScaler()

for epoch in epochs:
    for input, target in data:
        optimizer0.zero_grad()
        optimizer1.zero_grad()
        with autocast(device_type='cuda', dtype=torch.float16):
            output0 = model0(input)
            output1 = model1(input)
            loss0 = loss_fn(2 * output0 + 3 * output1, target)
            loss1 = loss_fn(3 * output0 - 5 * output1, target)

        # (retain_graph here is unrelated to amp, it's present because in this
        # example, both backward() calls share some sections of graph.)
        scaler.scale(loss0).backward(retain_graph=True)
        scaler.scale(loss1).backward()

        # You can choose which optimizers receive explicit unscaling, if you
        # want to inspect or modify the gradients of the params they own.
        scaler.unscale_(optimizer0)

        scaler.step(optimizer0)
        scaler.step(optimizer1)

        scaler.update()

每個優化器都會檢查其梯度中是否存在 infs/NaNs，並獨立決定是否跳過 step。這可能導致一個優化器跳過 step，而另一個優化器不跳過。由於 step 跳過很少發生（每幾百次迭代一次），這不應該妨礙收斂。如果您在將梯度縮放添加到多優化器模型後觀察到收斂不良，請報告錯誤。

使用多個 GPU

此處描述的問題僅影響 autocast。GradScaler 的使用方式不變。

單一程序中的 DataParallel

即使 torch.nn.DataParallel 產生執行緒以在每個裝置上運行前向傳播。autocast 狀態會在每個執行緒中傳播，因此以下方式可以運作：

model = MyModel()
dp_model = nn.DataParallel(model)

# Sets autocast in the main thread
with autocast(device_type='cuda', dtype=torch.float16):
    # dp_model's internal threads will autocast.
    output = dp_model(input)
    # loss_fn also autocast
    loss = loss_fn(output)

DistributedDataParallel，每個程序一個 GPU

torch.nn.parallel.DistributedDataParallel 的文檔建議每個程序使用一個 GPU 以獲得最佳性能。在這種情況下，DistributedDataParallel 不會在內部產生執行緒，因此 autocast 和 GradScaler 的使用不受影響。

DistributedDataParallel，每個程序多個 GPU

在這裡，torch.nn.parallel.DistributedDataParallel 可能會產生一個側執行緒以在每個裝置上運行前向傳播，就像 torch.nn.DataParallel 一樣。修復方法相同：將 autocast 應用於模型的 forward 方法中，以確保它在側執行緒中啟用。

Autocast 和自定義 Autograd 函數

如果您的網路使用自定義 autograd 函數（torch.autograd.Function 的子類別），如果任何函數符合以下條件，則需要進行更改以實現 autocast 兼容性：

• 採用多個浮點 Tensor 輸入，

• 包裝任何可自動轉換 (autocastable) 的操作（請參閱Autocast Op Reference），或

• 需要特定的 dtype（例如，如果它包裝了僅針對 dtype 編譯的 CUDA 擴展）。

在所有情況下，如果您正在導入函數並且無法更改其定義，一個安全的後備方法是在發生錯誤的任何使用點禁用 autocast 並強制以 float32（或 dtype）執行。

with autocast(device_type='cuda', dtype=torch.float16):
    ...
    with autocast(device_type='cuda', dtype=torch.float16, enabled=False):
        output = imported_function(input1.float(), input2.float())

如果您是函式的作者（或可以更改其定義），一個更好的解決方案是使用 torch.amp.custom_fwd() 和 torch.amp.custom_bwd() 修飾器，如下面相關的例子所示。

具有多個輸入或可自動轉換運算的函式

將 custom_fwd 和 custom_bwd (不帶參數) 分別應用到 forward 和 backward。 這些確保 forward 在目前的自動轉換狀態下執行，且 backward 在與 forward 相同的自動轉換狀態下執行 (可以防止類型不符的錯誤)

class MyMM(torch.autograd.Function):
    @staticmethod
    @custom_fwd
    def forward(ctx, a, b):
        ctx.save_for_backward(a, b)
        return a.mm(b)
    @staticmethod
    @custom_bwd
    def backward(ctx, grad):
        a, b = ctx.saved_tensors
        return grad.mm(b.t()), a.t().mm(grad)

現在可以在任何地方調用 MyMM，而無需禁用自動轉換或手動轉換輸入。

mymm = MyMM.apply

with autocast(device_type='cuda', dtype=torch.float16):
    output = mymm(input1, input2)

需要特定 dtype 的函式

考慮一個需要 torch.float32 輸入的自定義函式。 將 custom_fwd(device_type='cuda', cast_inputs=torch.float32) 應用到 forward，並將 custom_bwd(device_type='cuda') 應用到 backward。 如果 forward 在啟用自動轉換的區域中執行，則修飾器會在參數 device_type 指定的設備上將浮點 Tensor 輸入轉換為 float32，本例中為 CUDA，並在 forward 和 backward 期間局部禁用自動轉換。

class MyFloat32Func(torch.autograd.Function):
    @staticmethod
    @custom_fwd(device_type='cuda', cast_inputs=torch.float32)
    def forward(ctx, input):
        ctx.save_for_backward(input)
        ...
        return fwd_output
    @staticmethod
    @custom_bwd(device_type='cuda')
    def backward(ctx, grad):
        ...

現在可以在任何地方調用 MyFloat32Func，而無需手動禁用自動轉換或轉換輸入。

func = MyFloat32Func.apply

with autocast(device_type='cuda', dtype=torch.float16):
    # func will run in float32, regardless of the surrounding autocast state
    output = func(input)