> 复现代码时遇到了自动混合精度。查阅资料得知，Pytorch从1.60开始支持自动混合精度训练。其中自动、混合精度是两个关键词，那么代表什么意思呢？一起来看看吧！

✨1 混合精度训练简介

目前，Pytorch一共支持10种数据类型：

• torch.FloatTensor # 另一种表述：FP32**
• torch.DoubleTensor # 64-bit floating point
• torch.HalfTensor # 另一种表述：FP16
• torch.ByteTensor
• torch.CharTensor
• torch.ShortTensor
• torch.IntTensor
• torch.LongTensor

默认使用的是32位浮点型精度的Tensor，即torch.FloatTensor 。因此，默认情况下我们训练的是一个FP32的模型。但不是所有数据都需要FP32那么大的内存。

此时，采用自动混合精度（Automatic Mixed Precision, AMP)训练，一部分算子数值精度为FP16，其余算子的数值精度是FP32，而哪些算子用FP16，哪些用FP32，由amp自动安排。这样在不改变模型、不降低模型训练精度的前提下，可以缩短训练时间，降低存储需求，因而能支持更多的 batch size、更大模型和尺寸更大的输入进行训练。

✨2 自动混合精度训练的使用

结合一段示例代码来看：

# amp依赖Tensor core架构，所以模型必须在cuda设备下使用
model = Model()
model.to("cuda")  # 必须！！！
optimizer = optim.SGD(model.parameters(), ...)
# （新增）创建GradScaler对象
scaler = GradScaler(enabled=True)  # 虽然默认为True，体验一下过程
for epoch in epochs:
    for img, target in data:
        optimizer.zero_grad()
        # （新增）启动autocast上下文管理器
        with autocast(enabled=True):
            # （不变）上下文管理器下，model前向传播，以及loss计算自动切换数值精度
            output = model(img)
            loss = loss_fn(output, target)
        # （修改）反向传播
        scaler.scale(loss).backward()
        # （修改）梯度计算
        scaler.step(optimizer)
        # （新增）scaler更新
        scaler.update()

使用自动化精度时，只有在模型以及损失计算，反向传播，梯度更新时作出一定的改变，具体有：

scaler = GradScaler()：创建对象GradScaler，并赋予变量scaler

with autocast():：启动autocast上下文管理器，内含需要做精度放缩的计算（必须包含模型计算以及损失计算）

1. scaler.scale(loss).backward()：利用scaler做反向传播
2. scaler.step(optimizer)：梯度更新
3. scaler.update()：scaler更新

🎃 2.2 GradScaler

构造：

torch.cuda.amp.GradScaler(
  init_scale=65536.0,
  growth_factor=2.0,
  backoff_factor=0.5,
  growth_interval=2000,
  enabled=True,
)

这里形式很固定，只有一个参数enabled根据自己的需求进行改变

参数：

1. enabled：是否做scale。如果为False，则返回原数据。如果为True，则进行一次精度转换。

原谅我，涉及到了原理，水平有限，真的看不懂，欢迎大家交流

🎉 2.2 autocast

autocast(
  enable=True  # 同上
)

上面的示例中，autocast是在训练脚本中使用的，除此之外还有两种方式：

1. 作为装饰器，在forward函数中使用

==============================================================

class Model(nn.Module):
  def __init__(self):
    pass
  @torch.cuda.amp.autocast()  # autocast导入路径
  def forward():
    pass

==============================================================

在forward中使用上下文管理器

==============================================================

class Model(nn.Module):
  def __init__(self):
    pass
  def forward():
    with torch.cuda.amp.autocast():  # 上下文管理器
      pass