事實上，你的模型可能還停留在石器時代的水平。估計你還在用32位精度或*GASP(一般活動仿真語言)*訓練，甚至可能只在單GPU上訓練。如果市面上有99個加速指南，但你可能只看過1個?(沒錯，就是這樣)。但這份終極指南，會一步步教你清除模型中所有的(GP模型)。

[[274027]]

這份指南的介紹從簡單到復雜，一直介紹到你可以完成的大多數PITA修改，以充分利用你的網絡。例子中會包括一些Pytorch代碼和相關標記，可以在 Pytorch-Lightning訓練器中用，以防大家不想自己敲碼!

這份指南針對的是誰? 任何用Pytorch研究非瑣碎的深度學習模型的人，比如工業研究人員、博士生、學者等等……這些模型可能要花費幾天，甚至幾周、幾個月的時間來訓練。

指南(從易到難)

• 使用DataLoader。
• DataLoader中的進程數。
• 批尺寸。
• 累積梯度。
• 保留計算圖。
• 轉至單GPU。
• 16位混合精度訓練。
• 轉至多GPU(模型復制)。
• 轉至多GPU節點(8+GPUs)。
• 有關模型加速的思考和技巧

Pytorch-Lightning

[[274028]]

文中討論的各種優化，都可以在名為Pytorch-Lightning

(https://github.com/williamFalcon/pytorch-lightning?source=post_page) 的Pytorch圖書館中找到。

Lightning是基于Pytorch的一個光包裝器，它可以幫助研究人員自動訓練模型，但關鍵的模型部件還是由研究人員完全控制。

參照此篇教程，獲得更有力的范例

(https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/single_gpu_node_template.py?source=post_page)。

Lightning采用最新、最尖端的方法，將犯錯的可能性降到最低。

MNIST定義的Lightning模型

(https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/lightning_module_template.py?source=post_page)，可適用于訓練器。

from pytorch-lightning import Trainer 
 
model = LightningModule(…) 
trainer = Trainer() 
 
trainer.fit(model) 

1. DataLoader

[[274029]]

這可能是最容易提速的地方。靠保存h5py或numpy文件來加速數據加載的日子已經一去不復返了。用 Pytorch dataloader

(https://pytorch.org/tutorials/beginner/data_loading_tutorial.html?source=post_page)加載圖像數據非常簡單。(關于NLP數據，請參照TorchText：

https://torchtext.readthedocs.io/en/latest/datasets.html?source=post_page)

dataset = MNIST(root=self.hparams.data_root, traintrain=train, download=True) 
 
loader = DataLoader(dataset, batch_size=32, shuffle=True) 
 
for batch in loader:  
  x, y = batch 
  model.training_step(x, y) 
  ... 

在Lightning中，你無需指定一個訓練循環，只需定義dataLoaders，訓練器便會在 需要時調用它們

(https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/lightning_module_template.py?source=post_page---------------------------#L163-L217)。

2. DataLoaders中的進程數

[[274030]]

加快速度的第二個秘訣在于允許批量并行加載。所以，你可以一次加載許多批量，而不是一次加載一個。

# slow 
loader = DataLoader(dataset, batch_size=32, shuffle=True) 
 
# fast (use 10 workers) 
loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=10) 

3. 批量大小(Batch size) 

在開始下一步優化步驟之前，將批量大小調高到CPU內存或GPU內存允許的最大值。

接下來的部分將著重于減少內存占用，這樣就可以繼續增加批尺寸。

記住，你很可能需要再次更新學習率。如果將批尺寸增加一倍，最好將學習速度也提高一倍。

4. 累積梯度

[[274031]]

假如已經最大限度地使用了計算資源，而批尺寸仍然太低(假設為8)，那我們則需為梯度下降模擬更大的批尺寸，以供精準估計。

假設想讓批尺寸達到128。然后，在執行單個優化器步驟前，將執行16次前向和后向傳播(批量大小為8)。

# clear last step 
optimizer.zero_grad() 
 
# 16 accumulated gradient steps 
scaled_loss = 0 
for 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*16 
optimizer.step() 
 
# loss is now scaled up by the number of accumulated batches 
actual_loss = scaled_loss / 16 

而在Lightning中，這些已經自動執行了。只需設置標記：

https://williamfalcon.github.io/pytorch-lightning/Trainer/Training%20Loop/?source=post_page---------------------------#accumulated-gradients

trainer = Trainer(accumulate_grad_batches=16) 
trainer.fit(model) 

5. 保留計算圖

[[274032]]

撐爆內存很簡單，只要不釋放指向計算圖形的指針，比如……為記錄日志保存loss。

losses = [] 
 
... 
losses.append(loss) 
 
print(f'current loss: {torch.mean(losses)'}) 

上述的問題在于，loss仍然有一個圖形副本。在這種情況中，可用.item()來釋放它。

# bad 
losses.append(loss) 
 
# good 
losses.append(loss.item()) 

Lightning會特別注意，讓其無法保留圖形副本 (示例：

https://github.com/williamFalcon/pytorch-lightning/blob/master/pytorch_lightning/models/trainer.py?source=post_page---------------------------#L767-L768)

6. 單GPU訓練

[[274032]]

一旦完成了前面的步驟，就可以進入GPU訓練了。GPU的訓練將對許多GPU核心上的數學計算進行并行處理。能加速多少取決于使用的GPU類型。個人使用的話，推薦使用2080Ti，公司使用的話可用V100。

剛開始你可能會覺得壓力很大，但其實只需做兩件事: 1)將你的模型移動到GPU上，2)在用其運行數據時，把數據導至GPU中。

# put model on GPU 
model.cuda(0) 
 
# put data on gpu (cuda on a variable returns a cuda copy) 
xx = x.cuda(0) 
 
# runs on GPU now 
model(x) 

如果使用Lightning，則不需要對代碼做任何操作。只需設置標記

(https://williamfalcon.github.io/pytorch-lightning/Trainer/Distributed%20training/?source=post_page---------------------------#single-gpu)：

# ask lightning to use gpu 0 for training 
trainer = Trainer(gpus=[0]) 
trainer.fit(model) 

在GPU進行訓練時，要注意限制CPU和GPU之間的傳輸量。

# expensive 
xx = x.cuda(0) 
 
# very expensive 
xx = x.cpu() 
xx = x.cuda(0) 

例如，如果耗盡了內存，不要為了省內存，將數據移回CPU。嘗試用其他方式優化代碼，或者在用這種方法之前先跨GPUs分配代碼。

此外還要注意進行強制GPUs同步的操作。例如清除內存緩存。

# really bad idea.Stops all the GPUs until they all catch up 
torch.cuda.empty_cache() 

但是如果使用Lightning，那么只有在定義Lightning模塊時可能會出現這種問題。Lightning特別注意避免此類錯誤。

7. 16位精度

16位精度可以有效地削減一半的內存占用。大多數模型都是用32位精度數進行訓練的。然而最近的研究發現，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位訓練一些特定的模型，而權值類的用32位訓練。

要想在Pytorch中用16位精度,先從NVIDIA中安裝 apex 圖書館 并對你的模型進行這些更改。

# enable 16-bit on the model and the optimizer 
model, optimizers = amp.initialize(model, optimizers, opt_level='O2') 
 
# when doing .backward, let amp do it so it can scale the loss 
with amp.scale_loss(loss, optimizer) as scaled_loss:                        
    scaled_loss.backward() 

amp包會處理大部分事情。如果梯度爆炸或趨于零，它甚至會擴大loss。

在Lightning中， 使用16位很簡單

(https://williamfalcon.github.io/pytorch-lightning/Trainer/Distributed%20training/?source=post_page---------------------------#16-bit-mixed-precision)，不需對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

現在，事情就變得有意思了。有3種(也許更多?)方式訓練多GPU。

(1) 分批量訓練

A)在每個GPU上復制模型;B)給每個GPU分配一部分批量。

第一種方法叫做分批量訓練。這一策略將模型復制到每個GPU上，而每個GPU會分到該批量的一部分。

# copy model on each GPU and give a fourth of the batch to each 
model = DataParallel(model, devices=[0, 1, 2 ,3]) 
 
# out has 4 outputs (one for each gpu) 
out = model(x.cuda(0)) 

在Lightning中，可以直接指示訓練器增加GPU數量，而無需完成上述任何操作。

# ask lightning to use 4 GPUs for training 
trainer = Trainer(gpus=[0, 1, 2, 3]) 
trainer.fit(model) 

(2) 分模型訓練

將模型的不同部分分配給不同的GPU，按順序分配批量

有時模型可能太大，內存不足以支撐。比如，帶有編碼器和解碼器的Sequence to Sequence模型在生成輸出時可能會占用20gb的內存。在這種情況下，我們希望把編碼器和解碼器放在單獨的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 
outout = out.cuda(0) 

對于這種類型的訓練，無需將Lightning訓練器分到任何GPU上。與之相反，只要把自己的模塊導入正確的GPU的Lightning模塊中：

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 trainer 
model = MyModule() 
trainer = Trainer() 
trainer.fit(model) 

(3) 混合兩種訓練方法

在上面的例子中，編碼器和解碼器仍然可以從并行化每個操作中獲益。我們現在可以更具創造力了。

# change these lines 
self.encoder = RNN(...) 
self.decoder = RNN(...) 
 
# to these 
# now each RNN is based on a different gpu set 
self.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 device 
sout = self.decoder(out.cuda(4))  # <--- the 4 here 

(4) 使用多GPUs時需注意的事項

• 如果該設備上已存在model.cuda()，那么它不會完成任何操作。
• 始終輸入到設備列表中的第一個設備上。
• 跨設備傳輸數據非常昂貴，不到萬不得已不要這樣做。
• 優化器和梯度將存儲在GPU 0上。因此，GPU 0使用的內存很可能比其他處理器大得多。

9. 多節點GPU訓練

每臺機器上的各GPU都可獲取一份模型的副本。每臺機器分得一部分數據，并僅針對該部分數據進行訓練。各機器彼此同步梯度。

做到了這一步，就可以在幾分鐘內訓練Imagenet數據集了! 這沒有想象中那么難，但需要更多有關計算集群的知識。這些指令假定你正在集群上使用SLURM。

Pytorch在各個GPU上跨節點復制模型并同步梯度，從而實現多節點訓練。因此，每個模型都是在各GPU上獨立初始化的，本質上是在數據的一個分區上獨立訓練的，只是它們都接收來自所有模型的梯度更新。

高級階段：

• 在各GPU上初始化一個模型的副本(確保設置好種子，使每個模型初始化到相同的權值，否則操作會失效。)
• 將數據集分成子集。每個GPU只在自己的子集上訓練。
• On .backward() 所有副本都會接收各模型梯度的副本。只有此時，模型之間才會相互通信。

Pytorch有一個很好的抽象概念，叫做分布式數據并行處理，它可以為你完成這一操作。要使用DDP(分布式數據并行處理)，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, worldworld_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團隊對此有一份詳細的實用教程

(https://github.com/pytorch/examples/blob/master/imagenet/main.py?source=post_page---------------------------)。

然而，在Lightning中，這是一個自帶功能。只需設定節點數標志，其余的交給Lightning處理就好。

# train on 1024 gpus across 128 nodes 
trainer = Trainer(nb_gpu_nodes=128, gpus=[0, 1, 2, 3, 4, 5, 6, 7]) 

Lightning還附帶了一個SlurmCluster管理器，可助你簡單地提交SLURM任務的正確細節(示例：

https://github.com/williamFalcon/pytorch-lightning/blob/master/examples/new_project_templates/multi_node_cluster_template.py?source=post_page---------------------------#L103-L134)

10. 福利!更快的多GPU單節點訓練

事實證明，分布式數據并行處理要比數據并行快得多，因為其唯一的通信是梯度同步。因此，最好用分布式數據并行處理替換數據并行，即使只是在做單機訓練。

在Lightning中，通過將distributed_backend設置為ddp(分布式數據并行處理)并設置GPU的數量，這可以很容易實現。

# train on 4 gpus on the same machine MUCH faster than DataParallel 
trainer = Trainer(distributed_backend='ddp', gpus=[0, 1, 2, 3]) 

有關模型加速的思考和技巧

如何通過尋找瓶頸來思考問題?可以把模型分成幾個部分：

• 首先，確保數據加載中沒有瓶頸。為此，可以使用上述的現有數據加載方案，但是如果沒有適合你的方案，你可以把離線處理及超高速緩存作為高性能數據儲存，就像h5py一樣。
• 接下來看看在訓練過程中該怎么做。確保快速轉發，避免多余的計算，并將CPU和GPU之間的數據傳輸最小化。最后，避免降低GPU的速度(在本指南中有介紹)。
• 接下來，最大化批尺寸，通常來說，GPU的內存大小會限制批量大小。自此看來，這其實就是跨GPU分布，但要最小化延遲，有效使用大批次(例如在數據集中，可能會在多個GPUs上獲得8000+的有效批量大小)。

但是需要小心處理大批次。根據具體問題查閱文獻，學習一下別人是如何處理的!