近日，OpenAI 在 GitHub 上開源***工具包 gradient-checkpointing，該工具包通過設(shè)置梯度檢查點(diǎn)（gradient-checkpointing）來節(jié)省內(nèi)存資源。據(jù)悉，對于普通的前饋模型，可以在計算時間只增加 20% 的情況下，在 GPU 上訓(xùn)練比之前大十多倍的模型。雷鋒網(wǎng)(公眾號：雷鋒網(wǎng)) AI 研習(xí)社將該開源信息編譯整理如下：

　　通過梯度檢查點(diǎn)（gradient-checkpointing）來節(jié)省內(nèi)存資源

　　訓(xùn)練非常深的神經(jīng)網(wǎng)絡(luò)需要大量內(nèi)存，利用 Tim Salimans 和 Yaroslav Bulatov 共同開發(fā)的 gradient-checkpointing 包中的工具，可以犧牲計算時間來解決內(nèi)存過小的問題，讓你更好地針對模型進(jìn)行訓(xùn)練。

　　對于普通的前饋模型，可以在計算時間只增加 20% 的情況下，在 GPU 上訓(xùn)練比之前大十多倍的模型。

　　訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時，損失的梯度是在內(nèi)存密集部分通過反向傳播（backpropagation）算法來計算的。在訓(xùn)練模型時定義計算圖中的檢查點(diǎn)，并在這些檢查點(diǎn)之間通過反向傳播算法重新計算這些圖，可以在降低內(nèi)存的同時計算梯度值。

　　當(dāng)訓(xùn)練一個 n 層的深度前饋神經(jīng)網(wǎng)絡(luò)時，可以利用這種方式將內(nèi)存消耗減少到 O (sqrt (n))，代價是需要執(zhí)行一個額外的前向傳遞操作。這個庫可以在 Tensorflow 中實(shí)現(xiàn)這一功能——使用 Tensorflow graph editor 來自動重寫后向傳遞的計算圖。

　　圖：使用常規(guī)的 tf.gradients 函數(shù)和使用這種優(yōu)化內(nèi)存梯度實(shí)現(xiàn)法（memory-optimized gradient implementation）訓(xùn)練不同層數(shù)的 ResNet 模型時需要的內(nèi)存對比

　　大家現(xiàn)在就可以安裝

pip install tf-nightly-gpu

pip install toposort networkx pytest

　　當(dāng)執(zhí)行這一程序時，需要保證能找到 CUPTI。

　　這時可以執(zhí)行

export LD_LIBRARY_PATH="${LD_LIBRARY_PATH}:/usr/local/cuda/extras/CUPTI/lib64

　　使用方法

　　這個庫提供嵌入式功能，能對 tf.gradients 函數(shù)進(jìn)行替換，可以輸入如下程序來引入相關(guān)函數(shù)：

from memory_saving_gradients import gradients

　　大家可以像使用 tf.gradients 函數(shù)一樣使用 gradients 函數(shù)來計算參數(shù)損失的梯度。

　　gradients 函數(shù)有一個額外的功能——檢查點(diǎn)（checkpoints）。

　　檢查點(diǎn)會對 gradients 函數(shù)進(jìn)行指示——在計算圖的前向傳播中，圖中的哪一部分節(jié)點(diǎn)是用戶想要檢查的點(diǎn)。隨后，會在后向傳播中重新計算檢查點(diǎn)之間的節(jié)點(diǎn)。

　　大家可以為檢查點(diǎn)提供一系列張量（gradients (ys,xs,checkpoints=[tensor1,tensor2])），或者可以使用如下幾個關(guān)鍵詞（'collection'、'memory' 、'speed'）來進(jìn)行設(shè)置。

　　覆蓋 tf.gradients 函數(shù)

　　使用 gradients 函數(shù)的另一個方法是直接覆蓋 tf.gradients 函數(shù)，方法如下：

import tensorflow as tf

import memory_saving_gradients

# monkey patch tf.gradients to point to our custom version, with automatic checkpoint selection

def gradients_memory (ys, xs, grad_ys=None, **kwargs):

return memory_saving_gradients.gradients (ys, xs, grad_ys, checkpoints='memory'， **kwargs)

tf.__dict__["gradients"] = gradients_memory

　　這樣操作之后，所有調(diào)用 tf.gradients 函數(shù)的請求都會使用新的節(jié)省內(nèi)存的方法。

　　測試

　　在測試文件夾中，有已經(jīng)寫好的用于測試代碼準(zhǔn)確性和不同模型占用內(nèi)存的腳本。

　　大家可以執(zhí)行 ./run_all_tests.sh 來修改代碼，并著手測試。

　　圖：在 CIFAR10 數(shù)據(jù)集上，使用常規(guī)的梯度函數(shù)和使用***的優(yōu)化內(nèi)存函數(shù)，在不同層數(shù)的 ResNet 網(wǎng)絡(luò)下的內(nèi)存占用情況和執(zhí)行時間的對比

　　via：GitHub