1 理论部分
1.1 FP16 VS FP32
- FP32具有八个指数位和23个小数位，而FP16具有五个指数位和十个小数位
- Tensor内核支持混合精度数学，即输入为半精度（FP16），输出为全精度（FP32）
1.1.1 使用FP16的优缺点
- 优点
- FP16需要较少的内存，因此更易于训练和部署大型神经网络，同时还减少了数据移动（同时可以使用更大的batch）
- 数学运算的运行速度大大降低了
- NVIDIA提供的Volta GPU的确切数量是：FP16中为125 TFlops，而FP32中为15.7 TFlops（加速8倍）
- 缺点：
- 从FP32转到FP16时，必然会降低精度
- 但有的时候，这个精度的降低可以忽略不计
- FP16实际上可以很好地表示大多数权重和渐变。
- ——>拥有存储和使用FP32所需的所有这些额外位只是浪费。
- 溢出错误
- 由于FP16的动态范围比FP32位的狭窄很多，因此，在计算过程中很容易出现上溢出和下溢出
- 溢出之后就会出现"NaN"的问题
- 从FP32转到FP16时，必然会降低精度
1.2 解决上述FP16的问题
1.2.1 混合精度训练
- 用FP16做储存和乘法，而用FP32做累加避免舍入误差
- ——>混合精度训练的策略有效地缓解了舍入误差的问题
1.2.2 损失放大（Loss scaling)
- 即使使用了混合精度训练，还是存在无法收敛的情况
- 原因是激活梯度的值太小，造成了溢出。
- ——>通过使用torch.cuda.amp.GradScaler，通过放大loss的值来防止梯度的下溢出
- 只在BP时传递梯度信息使用，真正更新权重时还是要把放大的梯度再unscale回去
-
反向传播前，将损失变化手动增大2^k倍
-
因此反向传播时得到的中间变量（激活函数梯度）不会溢出；
-
-
反向传播后，将权重梯度缩小2^k倍，恢复正常值。
-
- 只在BP时传递梯度信息使用，真正更新权重时还是要把放大的梯度再unscale回去
2 torch.cuda.amp
- AMP(自动混合精度）的关键词有两个：
- 自动
- Tensor的dtype类型会自动变化，框架按需自动调整tensor的dtype,当然有些地方还需手动干预
- 混合精度
- 采用不止一种精度的Tensor，torch.FloatTensor和torch.HalfTensor
- 自动
2.1 Pytorch中不同类型的tensor
| 类型名称 | 位数 |
| torch.DoubleTensor | 64bit |
| torch.LongTensor | 64bit |
| torch.FloatTensor（默认） | 32bit |
| torch.IntTensor | 32bit |
| torch.HalfTensor | 16bit |
| torch.BFloat16Tensor | 16bit |
| torch.ShortTensor | 16bit |
| torch.ByteTensor（无符号） | 8bit |
| torch.CharTensor | 8bit |
| torch.BoolTensor | Boolean |
2.2 在AMP上下文中，被自动转化为半精度浮点型的参数：
| __matmul__ |
| addbmm |
| addmm |
| addmv |
| addr |
| baddbmm |
| bmm |
| chain_matmul |
| conv1d |
| conv2d |
| conv3d |
| conv_transpose1d |
| conv_transpose2d |
| conv_transpose3d |
| linear |
| matmul |
| mm |
| mv |
| prelu |
2.3 autocast
from torch.cuda.amp import autocast as autocast
model = Net().cuda()
#首先初始化一个网络模型Net()，并使用.cuda()方法将模型移至GPU上以利用GPU加速
#Net中的参数默认是torch.FloatTensor
optimizer = optim.SGD(model.parameters(), ...)
for input, target in data:
optimizer.zero_grad()
with autocast():
output = model(input)
loss = loss_fn(output, target)
'''
自动混合精度环境
包含了前向过程（模型的输出）和loss的计算
把支持参数对应tensor的dtype转换为半精度浮点型，从而在不损失训练精度的情况下加快运算
进入autocast的上下文时，tensor可以是任何类型
不需要在model或者input上手工调用.half() ，框架会自动做
'''
loss.backward()
optimizer.step()
# 反向传播在autocast上下文之外2.4 GradScaler
在2.3的基础上增加，反向传播时增加梯度，以防止下溢出
from torch.cuda.amp import autocast as autocast
from torch.cuda.amp import GradScaler
model = Net().cuda()
#首先初始化一个网络模型Net()，并使用.cuda()方法将模型移至GPU上以利用GPU加速
#Net中的参数默认是torch.FloatTensor
optimizer = optim.SGD(model.parameters(), ...)
scaler = GradScaler()
# 在训练最开始之前实例化一个GradScaler对象
for epoch in epochs:
for input, target in data:
optimizer.zero_grad()
with autocast():
output = model(input)
loss = loss_fn(output, target)
'''
自动混合精度环境
包含了前向过程（模型的输出）和loss的计算
把支持参数对应tensor的dtype转换为半精度浮点型，从而在不损失训练精度的情况下加快运算
进入autocast的上下文时，tensor可以是任何类型
不需要在model或者input上手工调用.half() ，框架会自动做
'''
scaler.scale(loss).backward()
# Scales loss. 为了梯度放大，防止下溢出
# 代替原来的loss.backward()
scaler.step(optimizer)
'''
scaler.step() 首先把梯度的值unscale回来.
如果梯度的值不是 infs 或者 NaNs, 那么调用optimizer.step()来更新权重,
否则，忽略step调用，从而保证权重不更新（不被破坏）
'''
scaler.update()
'''
准备着，看是否要增大scaler
'''- scaler的大小在每次迭代中动态的估计
- 为了尽可能的减少梯度underflow，scaler应该更大
- 但是如果太大的话，半精度浮点型的tensor又容易overflow（变成inf或者NaN）。
- ——>动态估计的原理就是在不出现inf或者NaN梯度值的情况下尽可能的增大scaler的值
3 一些tips
- 为了保证计算不溢出，首先保证人工设定的常数不溢出。如epsilon,INF等
- Dimension最好是8的倍数:维度是８的倍数，性能最好
- 涉及sum的操作要小心，容易溢出
- 比如softmax操作，建议用官方API，并定义成layer写在模型初始化里
- 如果遇到以下的报错：
-
RuntimeError: expected scalar type float but found c10::Half - 需要手动在tensor上调用.float()
-
