来源：读芯术
文章来源：微信公众号 数据派THU
本文为大家介绍9个使用Pytorch训练解决神经网络的技巧
图片来源：unsplash.com/@dulgier
事实上，你的模型可能还停留在石器时代的水平。估计你还在用32位精度或GASP（一般活动仿真语言）训练，甚至可能只在单GPU上训练。如果市面上有99个加速指南，但你可能只看过1个？（没错，就是这样）。但这份终极指南，会一步步教你清除模型中所有的（GP模型）。
不要让你的神经网络变成这样。（图片来源：Monsters U）
这份指南的介绍从简单到复杂，一直介绍到你可以完成大多数PITA修改，以充分利用你的网络。例子中会包括一些Pytorch代码和相关标记，可以在 Pytorch-Lightning训练器中用，以防大家不想自己敲码！
这份指南针对的是谁? 任何用Pytorch研究非琐碎的深度学习模型的人，比如工业研究人员、博士生、学者等等……这些模型可能要花费几天，甚至几周、几个月的时间来训练。
Pytorch-Lightning
文中讨论的各种优化，都可以在名为Pytorch-Lightning（https://github.com/williamFalcon/pytorch-lightning?source=post_page---------------------------） 的Pytorch图书馆中找到。
Lightning是基于Pytorch的一个光包装器，它可以帮助研究人员自动训练模型，但关键的模型部件还是由研究人员完全控制。
Lightning采用最新、最尖端的方法，将犯错的可能性降到最低。
MNIST定义的Lightning模型（https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/lightning_module_template.py?source=post_page---------------------------），可适用于训练器。
from pytorch-lightning import Trainer
model = LightningModule(…)trainer = Trainer()
trainer.fit(model)1. DataLoader
这可能是最容易提速的地方。靠保存h5py或numpy文件来加速数据加载的日子已经一去不复返了。用 Pytorch dataloader （https://pytorch.org/tutorials/beginner/data_loading_tutorial.html?source=post_page---------------------------）加载图像数据非常简单。
(关于NLP数据，请参照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)
for batch in loader: x, y = batchmodel.training_step(x, y)...在Lightning中，你无需指定一个训练循环，只需定义dataLoaders，训练器便会在需要时调用它们。
- DataLoaders中的进程数
加快速度的第二个秘诀在于允许批量并行加载。所以，你可以一次加载许多批量，而不是一次加载一个。
# slowloader = DataLoader(dataset, batch_size=32, shuffle=True)
# fast (use 10 workers)loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=10)3. 批尺寸
在开始下一步优化步骤之前，将批量大小调高到CPU内存或GPU内存允许的最大值。
接下来的部分将着重于减少内存占用，这样就可以继续增加批尺寸。
记住，你很可能需要再次更新学习率。如果将批尺寸增加一倍，最好将学习速度也提高一倍。
4. 累积梯度
假如已经最大限度地使用了计算资源，而批尺寸仍然太低(假设为8)，那我们则需为梯度下降模拟更大的批尺寸，以供精准估计。
假设想让批尺寸达到128。然后，在执行单个优化器步骤前，将执行16次前向和后向传播（批量大小为8）。
# clear last stepoptimizer.zero_grad()
# 16 accumulated gradient stepsscaled_loss = 0for 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*16optimizer.step()
# loss is now scaled up by the number of accumulated batchesactual_loss = scaled_loss / 16而在Lightning中，这些已经自动执行了。只需设置标记：
trainer = Trainer(accumulate_grad_batches=16)
trainer.fit(model)
5. 保留计算图
撑爆内存很简单，只要不释放指向计算图形的指针，比如……为记录日志保存loss。
losses = []
...losses.append(loss)
print(f'current loss: {torch.mean(losses)'})上述的问题在于，loss仍然有一个图形副本。在这种情况中，可用.item()来释放它。
# badlosses.append(loss)
# goodlosses.append(loss.item())Lightning会特别注意，让其无法保留图形副本
6. 转至单GPU
一旦完成了前面的步骤，就可以进入GPU训练了。GPU的训练将对许多GPU核心上的数学计算进行并行处理。能加速多少取决于使用的GPU类型。个人使用的话，推荐使用2080Ti，公司使用的话可用V100。
刚开始你可能会觉得压力很大，但其实只需做两件事: 1)将你的模型移动到GPU上；2)在用其运行数据时，把数据导至GPU中。
# put model on GPUmodel.cuda(0)
# put data on gpu (cuda on a variable returns a cuda copy)x = x.cuda(0)
# runs on GPU nowmodel(x)如果使用Lightning，则不需要对代码做任何操作。只需设置标记
ask lightning to use gpu 0 for trainingtrainer = Trainer(gpus=[0])trainer.fit(model)
在GPU进行训练时，要注意限制CPU和GPU之间的传输量。
# expensivex = x.cuda(0)
# very expensivex = x.cpu()x = x.cuda(0)例如，如果耗尽了内存，不要为了省内存，将数据移回CPU。尝试用其他方式优化代码，或者在用这种方法之前先跨GPUs分配代码。
此外还要注意进行强制GPUs同步的操作。例如清除内存缓存。
# really bad idea.Stops all the GPUs until they all catch uptorch.cuda.empty_cache()
但是如果使用Lightning，那么只有在定义Lightning模块时可能会出现这种问题。Lightning特别注意避免此类错误。
7. 16位混合精度训练
16位精度可以有效地削减一半的内存占用。大多数模型都是用32位精度数进行训练的。然而最近的研究发现，使用16位精度，模型也可以很好地工作。混合精度指的是，用16位训练一些特定的模型，而权值类的用32位训练。
要想在Pytorch中用16位精度,先从NVIDIA中安装 apex 图书馆并对你的模型进行这些更改。
# enable 16-bit on the model and the optimizermodel, optimizers = amp.initialize(model, optimizers, opt_level='O2')
# when doing .backward, let amp do it so it can scale the losswith amp.scale_loss(loss, optimizer) as scaled_loss: scaled_loss.backward()amp包会处理大部分事情。如果梯度爆炸或趋于零，它甚至会扩大loss。
在Lightning中， 使用16位很简单（https://williamfalcon.github.io/pytorch-lightning/Trainer/Distributed%20training/?source=post_page---------------------------#16-bit-mixed-precision），不需对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
现在，事情就变得有意思了。有3种(也许更多?)方式训练多GPU。
分批量训练
A在每个GPU上复制模型；B给每个GPU分配一部分批量。
第一种方法叫做分批量训练。这一策略将模型复制到每个GPU上，而每个GPU会分到该批量的一部分。
# copy model on each GPU and give a fourth of the batch to eachmodel = DataParallel(model, devices=[0, 1, 2 ,3])
# out has 4 outputs (one for each gpu)out = model(x.cuda(0))在Lightning中，可以直接指示训练器增加GPU数量，而无需完成上述任何操作。
# ask lightning to use 4 GPUs for trainingtrainer = Trainer(gpus=[0, 1, 2, 3])trainer.fit(model)
分模型训练
将模型的不同部分分配给不同的GPU，按顺序分配批量
有时模型可能太大，内存不足以支撑。比如，带有编码器和解码器的Sequence to Sequence模型在生成输出时可能会占用20gb的内存。在这种情况下，我们希望把编码器和解码器放在单独的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
out = encoder_rnn(x.cuda(0))
# run output through decoder on the next GPU
out = decoder_rnn(x.cuda(1))
# normally we want to bring all outputs back to GPU 0
out = out.cuda(0)
对于这种类型的训练，无需将Lightning训练器分到任何GPU上。与之相反，只要把自己的模块导入正确的GPU的Lightning模块中：
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 trainermodel = MyModule()trainer = Trainer()trainer.fit(model)混合两种训练方法
在上面的例子中，编码器和解码器仍然可以从并行化每个操作中获益。我们现在可以更具创造力了。
# change these linesself.encoder = RNN(...)self.decoder = RNN(...)
# to these# now each RNN is based on a different gpu setself.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 devicesout = self.decoder(out.cuda(4)) # <--- the 4 here使用多GPUs时需注意的事项
如果该设备上已存在model.cuda()，那么它不会完成任何操作。
始终输入到设备列表中的第一个设备上。
跨设备传输数据非常昂贵，不到万不得已不要这样做。
优化器和梯度将存储在GPU 0上。因此，GPU 0使用的内存很可能比其他处理器大得多。
9. 转至多GPU阶段（8+GPUs）
每台机器上的各GPU都可获取一份模型的副本。每台机器分得一部分数据，并仅针对该部分数据进行训练。各机器彼此同步梯度。
做到了这一步，就可以在几分钟内训练Imagenet数据集了! 这没有想象中那么难，但需要更多有关计算集群的知识。这些指令假定你正在集群上使用SLURM。
Pytorch在各个GPU上跨节点复制模型并同步梯度，从而实现多节点训练。因此，每个模型都是在各GPU上独立初始化的，本质上是在数据的一个分区上独立训练的，只是它们都接收来自所有模型的梯度更新。
高级阶段：
在各GPU上初始化一个模型的副本(确保设置好种子，使每个模型初始化到相同的权值，否则操作会失效)。
将数据集分成子集。每个GPU只在自己的子集上训练。
On .backward() 所有副本都会接收各模型梯度的副本。只有此时，模型之间才会相互通信。
Pytorch有一个很好的抽象概念，叫做分布式数据并行处理，它可以为你完成这一操作。要使用DDP（分布式数据并行处理），需要做4件事：
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)
Pytorch团队对此有一份详细的实用教程（https://github.com/pytorch/examples/blob/master/imagenet/main.py?source=post_page---------------------------）。
然而，在Lightning中，这是一个自带功能。只需设定节点数标志，其余的交给Lightning处理就好。
# train on 1024 gpus across 128 nodes
trainer = Trainer(nb_gpu_nodes=128, gpus=[0, 1, 2, 3, 4, 5, 6, 7])
Lightning还附带了一个SlurmCluster管理器，可助你简单地提交SLURM任务的正确细节。
事实证明，分布式数据并行处理要比数据并行快得多，因为其唯一的通信是梯度同步。因此，最好用分布式数据并行处理替换数据并行，即使只是在做单机训练。
在Lightning中，通过将distributed_backend设置为ddp（分布式数据并行处理）并设置GPU的数量，这可以很容易实现。
# train on 4 gpus on the same machine MUCH faster than DataParallel
trainer = Trainer(distributed_backend='ddp', gpus=[0, 1, 2, 3])
10. 有关模型加速的思考和技巧
如何通过寻找瓶颈来思考问题？可以把模型分成几个部分：
首先，确保数据加载中没有瓶颈。为此，可以使用上述的现有数据加载方案，但是如果没有适合你的方案，你可以把离线处理及超高速缓存作为高性能数据储存，就像h5py一样。
其次看看在训练过程中该怎么做。确保快速转发，避免多余的计算，并将CPU和GPU之间的数据传输最小化最后，避免降低GPU的速度(在本指南中有介绍)。
接下来，最大化批尺寸，通常来说，GPU的内存大小会限制批量大小。自此看来，这其实就是跨GPU分布，但要最小化延迟，有效使用大批次（例如在数据集中，可能会在多个GPUs上获得8000+的有效批量大小）。
但是需要小心处理大批次。根据具体问题查阅文献，学习一下别人是如何处理的！
编辑：王菁
校对：杨学俊
