代码详解：用Pytorch训练快速神经网络的9个技巧

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)。

这份指南的介绍从简单到复杂，一直介绍到你可以完成的大多数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。

指南(从易到难)

• 使用DataLoader。
• DataLoader中的进程数。
• 批尺寸。
• 累积梯度。
• 保留计算图。
• 转至单GPU。
• 16位混合精度训练。
• 转至多GPU(模型复制)。
• 转至多GPU节点(8+GPUs)。
• 有关模型加速的思考和技巧

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。

参照此篇教程，获得更有力的范例

(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，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。

1. from pytorch-lightning import Trainer 
2.  
3. model = LightningModule(…) 
4. trainer = Trainer() 
5.  
6. 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)

1. dataset = MNIST(root=self.hparams.data_root, traintrain=train, download=True) 
2.  
3. loader = DataLoader(dataset, batch_size=32, shuffle=True) 
4.  
5. for batch in loader:  
6.   x, y = batch 
7.   model.training_step(x, y) 
8.   ... 

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

(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。

1. # slow 
2. loader = DataLoader(dataset, batch_size=32, shuffle=True) 
3.  
4. # fast (use 10 workers) 
5. loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=10) 

3. 批量大小(Batch size)

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)。

1. # clear last step 
2. optimizer.zero_grad() 
3.  
4. # 16 accumulated gradient steps 
5. scaled_loss = 0 
6. for accumulated_step_i in range(16):  
7.      out = model.forward() 
8.      loss = some_loss(out,y)     
9.      loss.backward()      
10.  
11.        scaled_loss += loss.item() 
12.  
13. # update weights after 8 steps. effective batch = 8*16 
14. optimizer.step() 
15.  
16. # loss is now scaled up by the number of accumulated batches 
17. actual_loss = scaled_loss / 16 

而在Lightning中，这些已经自动执行了。只需设置标记：

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

1. trainer = Trainer(accumulate_grad_batches=16) 
2. 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。

1. losses = [] 
2.  
3. ... 
4. losses.append(loss) 
5.  
6. 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。

1. # bad 
2. losses.append(loss) 
3.  
4. # good 
5. losses.append(loss.item()) 

Lightning会特别注意，让其无法保留图形副本 (示例：

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

6. 单GPU训练

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。

1. # put model on GPU 
2. model.cuda(0) 
3.  
4. # put data on gpu (cuda on a variable returns a cuda copy) 
5. xx = x.cuda(0) 
6.  
7. # runs on GPU now 
8. model(x) 

如果使用Lightning，则不需要对代码做任何操作。只需设置标记

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

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

在GPU进行训练时，要注意限制CPU和GPU之间的传输量。

1. # expensive 
2. xx = x.cuda(0) 
3.  
4. # very expensive 
5. xx = x.cpu() 
6. xx = 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。

1. # really bad idea.Stops all the GPUs until they all catch up 
2. torch.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位精度

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。

1. # enable 16-bit on the model and the optimizer 
2. model, optimizers = amp.initialize(model, optimizers, opt_level='O2') 
3.  
4. # when doing .backward, let amp do it so it can scale the loss 
5. with amp.scale_loss(loss, optimizer) as scaled_loss:                        
6.     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。

1. trainer = Trainer(amp_level=’O2', use_amp=False) 
2. 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。

(1) 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。

1. # copy model on each GPU and give a fourth of the batch to each 
2. model = DataParallel(model, devices=[0, 1, 2 ,3]) 
3.  
4. # out has 4 outputs (one for each gpu) 
5. 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。

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

(2) 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。

1. # each model is sooo big we can't fit both in memory 
2. encoder_rnn.cuda(0) 
3. decoder_rnn.cuda(1) 
4.  
5. # run input through encoder on GPU 0 
6. out = encoder_rnn(x.cuda(0)) 
7.  
8. # run output through decoder on the next GPU 
9. out = decoder_rnn(x.cuda(1)) 
10.  
11. # normally we want to bring all outputs back to GPU 0 
12. outout = 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：

1. class MyModule(LightningModule): 
2.  
3. def __init__():  
4.         self.encoder = RNN(...) 
5.         self.decoder = RNN(...) 
6.  
7. def forward(x): 
8.  
9.     # models won't be moved after the first forward because  
10.         # they are already on the correct GPUs 
11.         self.encoder.cuda(0) 
12.         self.decoder.cuda(1)      
13.     
14. out = self.encoder(x) 
15.         out = self.decoder(out.cuda(1)) 
16.  
17. # don't pass GPUs to trainer 
18. model = MyModule() 
19. trainer = Trainer() 
20. trainer.fit(model) 

(3) 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。

1. # change these lines 
2. self.encoder = RNN(...) 
3. self.decoder = RNN(...) 
4.  
5. # to these 
6. # now each RNN is based on a different gpu set 
7. self.encoder = DataParallel(self.encoder, devices=[0, 1, 2, 3]) 
8. self.decoder = DataParallel(self.encoder, devices=[4, 5, 6, 7]) 
9.  
10. # in forward... 
11. out = self.encoder(x.cuda(0)) 
12.  
13. # notice inputs on first gpu in device 
14. sout = self.decoder(out.cuda(4))  # <--- the 4 here 

(4) 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. 多节点GPU训练

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：

1. def tng_dataloader(): 
2.       
3. d = MNIST() 
4.  
5.      # 4: Add distributed sampler 
6.      # sampler sends a portion of tng data to each machine 
7.      dist_sampler = DistributedSampler(dataset) 
8.      dataloader = DataLoader(d, shuffle=False, sampler=dist_sampler) 
9.  
10. def main_process_entrypoint(gpu_nb):  
11.      # 2: set up connections  between all gpus across all machines 
12.      # all gpus connect to a single GPU "root" 
13.      # the default uses env:// 
14.  
15.      world = nb_gpus * nb_nodes 
16.      dist.init_process_group("nccl", rank=gpu_nb, worldworld_size=world) 
17.  
18.      # 3: wrap model in DPP 
19.      torch.cuda.set_device(gpu_nb) 
20.      model.cuda(gpu_nb) 
21.      model = DistributedDataParallel(model, device_ids=[gpu_nb]) 
22.  
23.      # train your model now... 
24.  
25. if  __name__ == '__main__':  
26.      # 1: spawn number of processes 
27.      # your cluster will call main for each machine 
28.      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。

1. # train on 1024 gpus across 128 nodes 
2. 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(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单节点训练

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。

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

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。
• 接下来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!