近日，深度學(xué)習(xí)領(lǐng)域知名研究者、Lightning AI 的首席人工智能教育者 Sebastian Raschka 在 CVPR 2023 上發(fā)表了主題演講「Scaling PyTorch Model Training With Minimal Code Changes」。

為了能與更多人分享研究成果，Sebastian Raschka 將演講整理成一篇文章。文章探討了如何在最小代碼更改的情況下擴(kuò)展 PyTorch 模型訓(xùn)練，并表明重點(diǎn)是利用混合精度（mixed-precision）方法和多 GPU 訓(xùn)練模式，而不是低級機(jī)器優(yōu)化。

文章使用視覺 Transformer（ViT）作為基礎(chǔ)模型，ViT 模型在一個(gè)基本數(shù)據(jù)集上從頭開始，經(jīng)過約 60 分鐘的訓(xùn)練，在測試集上取得了 62% 的準(zhǔn)確率。

GitHub 地址：https://github.com/rasbt/cvpr2023

以下是文章原文：

構(gòu)建基準(zhǔn)

在接下來的部分中，Sebastian 將探討如何在不進(jìn)行大量代碼重構(gòu)的情況下改善訓(xùn)練時(shí)間和準(zhǔn)確率。

想要注意的是，模型和數(shù)據(jù)集的詳細(xì)信息并不是這里的主要關(guān)注點(diǎn)（它們只是為了盡可能簡單，以便讀者可以在自己的機(jī)器上復(fù)現(xiàn)，而不需要下載和安裝太多的依賴）。所有在這里分享的示例都可以在 GitHub 找到，讀者可以探索和重用完整的代碼。

腳本 00_pytorch-vit-random-init.py 的輸出。

不要從頭開始訓(xùn)練

現(xiàn)如今，從頭開始訓(xùn)練文本或圖像的深度學(xué)習(xí)模型通常是低效的。我們通常會(huì)利用預(yù)訓(xùn)練模型，并對模型進(jìn)行微調(diào)，以節(jié)省時(shí)間和計(jì)算資源，同時(shí)獲得更好的建模效果。

如果考慮上面使用的相同 ViT 架構(gòu)，在另一個(gè)數(shù)據(jù)集（ImageNet）上進(jìn)行預(yù)訓(xùn)練，并對其進(jìn)行微調(diào)，就可以在更短的時(shí)間內(nèi)實(shí)現(xiàn)更好的預(yù)測性能：20 分鐘（3 個(gè)訓(xùn)練 epoch）內(nèi)達(dá)到 95% 的測試準(zhǔn)確率。

00_pytorch-vit-random-init.py 和 01_pytorch-vit.py 的對比。

提升計(jì)算性能

我們可以看到，相對于從零開始訓(xùn)練，微調(diào)可以大大提升模型性能。下面的柱狀圖總結(jié)了這一點(diǎn)。

00_pytorch-vit-random-init.py 和 01_pytorch-vit.py 的對比柱狀圖。

當(dāng)然，模型效果可能因數(shù)據(jù)集或任務(wù)的不同而有所差異。但對于許多文本和圖像任務(wù)來說，從一個(gè)在通用公共數(shù)據(jù)集上預(yù)訓(xùn)練的模型開始是值得的。

接下來的部分將探索各種技巧，以加快訓(xùn)練時(shí)間，同時(shí)又不犧牲預(yù)測準(zhǔn)確性。

開源庫 Fabric

在 PyTorch 中以最小代碼更改來高效擴(kuò)展訓(xùn)練的一種方法是使用開源 Fabric 庫，它可以看作是 PyTorch 的一個(gè)輕量級包裝庫 / 接口。通過 pip 安裝。

pip install lightning

下面探索的所有技術(shù)也可以在純 PyTorch 中實(shí)現(xiàn)。Fabric 的目標(biāo)是使這一過程更加便利。

在探索「加速代碼的高級技術(shù)」之前，先介紹一下將 Fabric 集成到 PyTorch 代碼中需要進(jìn)行的小改動(dòng)。一旦完成這些改動(dòng)，只需要改變一行代碼，就可以輕松地使用高級 PyTorch 功能。

PyTorch 代碼和修改后使用 Fabric 的代碼之間的區(qū)別是微小的，只涉及到一些細(xì)微的修改，如下面的代碼所示：

普通 PyTorch 代碼（左）和使用 Fabric 的 PyTorch 代碼

總結(jié)一下上圖，就可以得到普通的 PyTorch 代碼轉(zhuǎn)換為 PyTorch+Fabric 的三個(gè)步驟：

• 導(dǎo)入 Fabric 并實(shí)例化一個(gè) Fabric 對象。
• 使用 Fabric 設(shè)置模型、優(yōu)化器和 data loader。
• 損失函數(shù)使用 fabric.backward ()，而不是 loss.backward ()。

這些微小的改動(dòng)提供了一種利用 PyTorch 高級特性的途徑，而無需對現(xiàn)有代碼進(jìn)行進(jìn)一步重構(gòu)。

深入探討下面的「高級特性」之前，要確保模型的訓(xùn)練運(yùn)行時(shí)間、預(yù)測性能與之前相同。

01_pytorch-vit.py 和 03_fabric-vit.py 的比較結(jié)果。

正如前面柱狀圖中所看到的，訓(xùn)練運(yùn)行時(shí)間、準(zhǔn)確率與之前完全相同，正如預(yù)期的那樣。其中，任何波動(dòng)都可以歸因于隨機(jī)性。

在前面的部分中，我們使用 Fabric 修改了 PyTorch 代碼。為什么要費(fèi)這么大的勁呢？接下來將嘗試高級技術(shù)，比如混合精度和分布式訓(xùn)練，只需更改一行代碼，把下面的代碼

fabric = Fabric(accelerator="cuda")

改為

fabric = Fabric(accelerator="cuda", precisinotallow="bf16-mixed")

04_fabric-vit-mixed-precision.py 腳本的比較結(jié)果。腳本地址：https://github.com/rasbt/cvpr2023/blob/main/04_fabric-vit-mixed-precision.py

通過混合精度訓(xùn)練，我們將訓(xùn)練時(shí)間從 18 分鐘左右縮短到 6 分鐘，同時(shí)保持相同的預(yù)測性能。這種訓(xùn)練時(shí)間的縮短只需在實(shí)例化 Fabric 對象時(shí)添加參數(shù)「precisinotallow="bf16-mixed"」即可實(shí)現(xiàn)。

理解混合精度機(jī)制

混合精度訓(xùn)練實(shí)質(zhì)上使用了 16 位和 32 位精度，以確保不會(huì)損失準(zhǔn)確性。16 位表示中的計(jì)算梯度比 32 位格式快得多，并且還節(jié)省了大量內(nèi)存。這種策略在內(nèi)存或計(jì)算受限的情況下非常有益。

之所以稱為「混合」而不是「低」精度訓(xùn)練，是因?yàn)椴皇菍⑺袇?shù)和操作轉(zhuǎn)換為 16 位浮點(diǎn)數(shù)。相反，在訓(xùn)練過程中 32 位和 16 位操作之間切換，因此稱為「混合」精度。

如下圖所示，混合精度訓(xùn)練涉及步驟如下：

• 將權(quán)重轉(zhuǎn)換為較低精度（FP16）以加快計(jì)算速度；
• 計(jì)算梯度；
• 將梯度轉(zhuǎn)換回較高精度（FP32）以保持?jǐn)?shù)值穩(wěn)定性；
• 使用縮放后的梯度更新原始權(quán)重。

這種方法在保持神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性和穩(wěn)定性的同時(shí)，實(shí)現(xiàn)了高效的訓(xùn)練。

更詳細(xì)的步驟如下：

• 將權(quán)重轉(zhuǎn)換為 FP16：在這一步中，神經(jīng)網(wǎng)絡(luò)的權(quán)重（或參數(shù)）初始時(shí)用 FP32 格式表示，將其轉(zhuǎn)換為較低精度的 FP16 格式。這樣可以減少內(nèi)存占用，并且由于 FP16 操作所需的內(nèi)存較少，可以更快地被硬件處理。
• 計(jì)算梯度：使用較低精度的 FP16 權(quán)重進(jìn)行神經(jīng)網(wǎng)絡(luò)的前向傳播和反向傳播。這一步計(jì)算損失函數(shù)相對于網(wǎng)絡(luò)權(quán)重的梯度（偏導(dǎo)數(shù)），這些梯度用于在優(yōu)化過程中更新權(quán)重。
• 將梯度轉(zhuǎn)換回 FP32：在計(jì)算得到 FP16 格式的梯度后，將其轉(zhuǎn)換回較高精度的 FP32 格式。這種轉(zhuǎn)換對于保持?jǐn)?shù)值穩(wěn)定性非常重要，避免使用較低精度算術(shù)時(shí)可能出現(xiàn)的梯度消失或梯度爆炸等問題。
• 乘學(xué)習(xí)率并更新權(quán)重：以 FP32 格式表示的梯度乘以學(xué)習(xí)率將用于更新權(quán)重（標(biāo)量值，用于確定優(yōu)化過程中的步長）。

步驟 4 中的乘積用于更新原始的 FP32 神經(jīng)網(wǎng)絡(luò)權(quán)重。學(xué)習(xí)率有助于控制優(yōu)化過程的收斂性，對于實(shí)現(xiàn)良好的性能非常重要。

Brain Float 16

前面談到了「float 16-bit」精度訓(xùn)練。需要注意的是，在之前的代碼中，指定了 precisinotallow="bf16-mixed"，而不是 precisinotallow="16-mixed"。這兩個(gè)都是有效的選項(xiàng)。

在這里，"bf16-mixed" 中的「bf16」表示 Brain Floating Point（bfloat16）。谷歌開發(fā)了這種格式，用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用，尤其是在張量處理單元（TPU）中。Bfloat16 相比傳統(tǒng)的 float16 格式擴(kuò)展了動(dòng)態(tài)范圍，但犧牲了一定的精度。

擴(kuò)展的動(dòng)態(tài)范圍使得 bfloat16 能夠表示非常大和非常小的數(shù)字，使其更適用于深度學(xué)習(xí)應(yīng)用中可能遇到的數(shù)值范圍。然而，較低的精度可能會(huì)影響某些計(jì)算的準(zhǔn)確性，或在某些情況下導(dǎo)致舍入誤差。但在大多數(shù)深度學(xué)習(xí)應(yīng)用中，這種降低的精度對建模性能的影響很小。

雖然 bfloat16 最初是為 TPU 開發(fā)的，但從 NVIDIA Ampere 架構(gòu)的 A100 Tensor Core GPU 開始，已經(jīng)有幾種 NVIDIA GPU 開始支持 bfloat16。

我們可以使用下面的代碼檢查 GPU 是否支持 bfloat16：

>>> torch.cuda.is_bf16_supported()
True

如果你的 GPU 不支持 bfloat16，可以將 precisinotallow="bf16-mixed" 更改為 precisinotallow="16-mixed"。

多 GPU 訓(xùn)練和完全分片數(shù)據(jù)并行

接下來要嘗試修改多 GPU 訓(xùn)練。如果我們有多個(gè) GPU 可供使用，這會(huì)帶來好處，因?yàn)樗梢宰屛覀兊哪Ｐ陀?xùn)練速度更快。

這里介紹一種更先進(jìn)的技術(shù) — 完全分片數(shù)據(jù)并行（Fully Sharded Data Parallelism (FSDP)），它同時(shí)利用了數(shù)據(jù)并行性和張量并行性。

在 Fabric 中，我們可以通過下面的方式利用 FSDP 添加設(shè)備數(shù)量和多 GPU 訓(xùn)練策略：

fabric = Fabric(
    accelerator="cuda", precisinotallow="bf16-mixed",
    devices=4, strategy="FSDP"  # new!
)

06_fabric-vit-mixed-fsdp.py 腳本的輸出。

現(xiàn)在使用 4 個(gè) GPU，我們的代碼運(yùn)行時(shí)間大約為 2 分鐘，是之前僅使用混合精度訓(xùn)練時(shí)的近 3 倍。

理解數(shù)據(jù)并行和張量并行

在數(shù)據(jù)并行中，小批量數(shù)據(jù)被分割，并且每個(gè) GPU 上都有模型的副本。這個(gè)過程通過多個(gè) GPU 的并行工作來加速模型的訓(xùn)練速度。

如下簡要概述了數(shù)據(jù)并行的工作原理：

1. 同一個(gè)模型被復(fù)制到所有的 GPU 上。
2. 每個(gè) GPU 分別接收不同的輸入數(shù)據(jù)子集（不同的小批量數(shù)據(jù)）。
3. 所有的 GPU 獨(dú)立地對模型進(jìn)行前向傳播和反向傳播，計(jì)算各自的局部梯度。
4. 收集并對所有 GPU 的梯度求平均值。
5. 平均梯度被用于更新模型的參數(shù)。

每個(gè) GPU 都在并行地處理不同的數(shù)據(jù)子集，通過梯度的平均化和參數(shù)的更新，整個(gè)模型的訓(xùn)練過程得以加速。

這種方法的主要優(yōu)勢是速度。由于每個(gè) GPU 同時(shí)處理不同的小批量數(shù)據(jù)，模型可以在更短的時(shí)間內(nèi)處理更多的數(shù)據(jù)。這可以顯著減少訓(xùn)練模型所需的時(shí)間，特別是在處理大型數(shù)據(jù)集時(shí)。

然而，數(shù)據(jù)并行也有一些限制。最重要的是，每個(gè) GPU 必須具有完整的模型和參數(shù)副本。這限制了可以訓(xùn)練的模型大小，因?yàn)槟Ｐ捅仨氝m應(yīng)單個(gè) GPU 的內(nèi)存。這對于現(xiàn)代的 ViTs 或 LLMs 來說這是不可行的。

與數(shù)據(jù)并行不同，張量并行將模型本身劃分到多個(gè) GPU 上。并且在數(shù)據(jù)并行中，每個(gè) GPU 都需要適 應(yīng)整個(gè)模型，這在訓(xùn)練較大的模型時(shí)可能成為一個(gè)限制。而張量并行允許訓(xùn)練那些對單個(gè) GPU 而言可能過大的模型，通過將模型分解并分布到多個(gè)設(shè)備上進(jìn)行訓(xùn)練。

張量并行是如何工作的呢？想象一下矩陣乘法，有兩種方式可以進(jìn)行分布計(jì)算 —— 按行或按列。為了簡單起見，考慮按列進(jìn)行分布計(jì)算。例如，我們可以將一個(gè)大型矩陣乘法操作分解為多個(gè)獨(dú)立的計(jì)算，每個(gè)計(jì)算可以在不同的 GPU 上進(jìn)行，如下圖所示。然后將結(jié)果連接起來以獲取結(jié)果，這有效地分?jǐn)偭擞?jì)算負(fù)載。