PyTorch
深度学习模型的训练/推理过程涉及很多步骤。在有限的时间和资源条件下，每个迭代的速度越快，整个模型的预测性能就越快。收集了几个PyTorch技巧，以最大化内存使用效率和最小化运行时间。为了更好地利用这些技巧，还需要理解它们如何以及为什么有效。
首先提供一个完整的列表和一些代码片段，这样就可以开始优化脚本了。然后一个一个地详细地研究它们。对于每个技巧，还提供了代码片段和注释，说明它是特定于设备类型(CPU/GPU)还是模型类型。

列表

数据加载

1、把数据放到SSD中
2、**Dataloader(dataset, num_workers=4*num_GPU)**
3、**Dataloader(dataset, pin_memory=True)**

数据操作

4、直接在设备中创建**torch.Tensor**，不要在一个设备中创建再移动到另一个设备中
5、避免CPU和GPU之间不必要的数据传输
6、使用**torch.from_numpy(numpy_array)**或者**torch.as_tensor(others)**
7、在数据传输操作可以重叠时，使用**tensor.to(non_blocking=True)**
8、使用PyTorch JIT将元素操作融合到单个kernel中。

模型结构

9、在使用混合精度的FP16时，对于所有不同架构设计，设置尺寸为8的倍数

训练

10、将batch size设置为8的倍数，最大化GPU内存的使用
11、前向的时候使用混合精度（后向的使用不用）
12、在优化器更新权重之前，设置梯度为None，**model.zero_grad(set_to_none=True)**
13、梯度积累：每隔x个batch更新一次权重，模拟大batch size的效果

推理/验证

14、关闭梯度计算

CNN (卷积神经网络) 特有的

15、**torch.backends.cudnn.benchmark = True**
16、对于4D NCHW Tensors，使用channels_last的内存格式
17、在batch normalization之前的卷积层可以去掉bias

分布式

18、用**DistributedDataParallel**代替**DataParallel**

第7、11、12、13的代码片段

  1. # Combining the tips No.7, 11, 12, 13: nonblocking, AMP, setting 
  2. # gradients as None, and larger effective batch size
  3. model.train()
  5. # Reset the gradients to None
  6. optimizer.zero_grad(set_to_none=True)
  7. scaler = GradScaler()
  8. for i, (features, target) in enumerate(dataloader):
  9.     # these two calls are nonblocking and overlapping
  10.     features = features.to('cuda:0', non_blocking=True)
  11.     target = target.to('cuda:0', non_blocking=True)
  13.     # Forward pass with mixed precision
  14.     with torch.cuda.amp.autocast(): # autocast as a context manager
  15.         output = model(features)
  16.         loss = criterion(output, target)
  18.     # Backward pass without mixed precision
  19.     # It's not recommended to use mixed precision for backward pass
  20.     # Because we need more precise loss
  21.     scaler.scale(loss).backward()
  23.     # Only update weights every other 2 iterations
  24.     # Effective batch size is doubled
  25.     if (i+1) % 2 == 0 or (i+1) == len(dataloader):
  26.         # scaler.step() first unscales the gradients .
  27.         # If these gradients contain infs or NaNs, 
  28.         # optimizer.step() is skipped.
  29.         scaler.step(optimizer)
  31.         # If optimizer.step() was skipped,
  32.         # scaling factor is reduced by the backoff_factor 
  33.         # in GradScaler()
  34.         scaler.update()
  36.         # Reset the gradients to None
  37.         optimizer.zero_grad(set_to_none=True)

指导思想

总的来说，可以通过3个关键点来优化时间和内存使用。首先，尽可能减少i/o(输入/输出)，使模型管道更多的用于计算，而不是用于i/o(带宽限制或内存限制)。这样，就可以利用GPU及其他专用硬件来加速这些计算。第二，尽量重叠过程，以节省时间。第三，最大限度地提高内存使用效率，节约内存。然后，节省内存可以启用更大的batch size大小，从而节省更多的时间。拥有更多的时间有助于更快的模型开发周期，并导致更好的模型性能。

1、把数据移动到SSD中

有些机器有不同的硬盘驱动器，如HHD和SSD。建议将项目中使用的数据移动到SSD(或具有更好i/o的硬盘驱动器)以获得更快的速度。

2、在加载数据和数据增强的时候异步处理

num_workers=0使数据加载需要在训练完成后或前一个处理已完成后进行。设置num_workers>0有望加快速度，特别是对于大数据的i/o和增强。具体到GPU，有实验发现num_workers = 4*num_GPU 具有最好的性能。也就是说，也可以为机器测试最佳的num_workers。需要注意的是，高num_workers将会有很大的内存消耗开销，这也是意料之中的，因为更多的数据副本正在内存中同时处理。

  1. Dataloader(dataset, num_workers=4*num_GPU)

3、使用pinned memory来降低数据传输

设置pin_memory=True可以跳过从可分页memory到pinned memory的数据传输
GPU无法直接从CPU的可分页内存中访问数据。设置pin_memory=True 可以为CPU主机上的数据直接分配临时内存，节省将数据从可分页内存转移到临时内存(即固定内存又称页面锁定内存)的时间。该设置可以与num_workers = 4*num_GPU结合使用。

  1. Dataloader(dataset, pin_memory=True)

4、直接在设备中创建张量

只要需要torch.Tensor，首先尝试在要使用它们的设备上创建它们。不要使用原生Python或NumPy创建数据，然后将其转换为torch.Tensor。在大多数情况下，如果要在GPU中使用它们，直接在GPU中创建它们。

  1. # Random numbers between 0 and 1
  2. # Same as np.random.rand([10,5])
  3. tensor = torch.rand([10, 5], device=torch.device('cuda:0'))
  5. # Random numbers from normal distribution with mean 0 and variance 1
  6. # Same as np.random.randn([10,5])
  7. tensor = torch.randn([10, 5], device=torch.device('cuda:0'))

唯一的语法差异是NumPy中的随机数生成需要额外的random，例如：np.random.rand() vs torch.rand()。许多其他函数在NumPy中也有相应的函数：

  1. torch.empty(), torch.zeros(), torch.full(), torch.ones(), torch.eye(), torch.randint(), torch.rand(), torch.randn()

5、避免在CPU和GPU中传输数据

正如在指导思想中提到的，希望尽可能地减少I/O。注意下面这些命令：

  1. # BAD! AVOID THEM IF UNNECESSARY!
  2. print(cuda_tensor)
  3. cuda_tensor.cpu()
  4. cuda_tensor.to_device('cpu')
  5. cpu_tensor.cuda()
  6. cpu_tensor.to_device('cuda')
  7. cuda_tensor.item()
  8. cuda_tensor.numpy()
  9. cuda_tensor.nonzero()
  10. cuda_tensor.tolist()
  12. # Python control flow which depends on operation results of CUDA tensors
  13. if (cuda_tensor != 0).all():
  14.     run_func()

6、使用 torch.from_numpy(numpy_array)和torch.as_tensor(others)代替 torch.tensor

torch.tensor() 会拷贝数据
如果源设备和目标设备都是CPU，torch.from_numpy和torch.as_tensor不会创建数据拷贝。如果源数据是NumPy数组，使用torch.from_numpy(numpy_array) 会更快。如果源数据是一个具有相同数据类型和设备类型的张量，那么torch.as_tensor(others) 可以避免拷贝数据。others 可以是Python的list， tuple，或者torch.tensor。如果源设备和目标设备不同，那么可以使用下一个技巧。

  1. torch.from_numpy(numpy_array)
  2. torch.as_tensor(others)

7、在数据传输有重叠时使用tensor.to(non_blocking=True)

重叠数据传输以减少运行时间
本质上，non_blocking=True允许异步数据传输以减少执行时间。

  1. for features, target in loader:
  2.     # these two calls are nonblocking and overlapping
  3.     features = features.to('cuda:0', non_blocking=True)
  4.     target = target.to('cuda:0', non_blocking=True)
  6.     # This is a synchronization point
  7.     # It will wait for previous two lines
  8.     output = model(features)

8、使用PyTorch JIT将点操作融合到单个kernel中

点操作包括常见的数学操作，通常是内存受限的。PyTorch JIT会自动将相邻的点操作融合到一个内核中，以保存多次内存读/写操作。例如，通过将5个核融合成1个核，gelu函数可以被加速4倍。

  1. @torch.jit.script # JIT decorator
  2. def fused_gelu(x):
  3.     return x * 0.5 * (1.0 + torch.erf(x / 1.41421))

9 & 10、在使用混合精度的FP16时，对于所有不同架构设计，设置图像尺寸和batch size为8的倍数

为了最大限度地提高GPU的计算效率，最好保证不同的架构设计(包括神经网络的输入输出尺寸/维数/通道数和batch size大小)是8的倍数甚至更大的2的幂(如64、128和最大256)。这是因为当矩阵的维数与2的幂倍数对齐时，Nvidia gpu的张量核心(Tensor Cores)在矩阵乘法方面可以获得最佳性能。矩阵乘法是最常用的操作，也可能是瓶颈，所以它是能确保张量/矩阵/向量的维数能被2的幂整除的最好方法(例如，8、64、128，最多256)。
这些实验显示设置输出维度和batch size大小为8的倍数，比如(33712、4088、4096)相比33708，batch size为4084或者4095这些不能被8整除的数可以加速计算1.3倍到 4倍。加速度大小取决于过程类型(例如，向前传递或梯度计算)和cuBLAS版本。特别是，如果使用NLP，请记住检查输出维度，这通常是词汇表大小。
使用大于256的倍数不会增加更多的好处，但也没有害处。这些设置取决于cuBLAS和cuDNN版本以及GPU架构。可以在文档中找到矩阵维数的特定张量核心要求。由于目前PyTorch AMP多使用FP16，而FP16需要8的倍数，所以通常推荐使用8的倍数。如果有更高级的GPU，比如A100，那么可以选择64的倍数。如果使用的是AMD GPU，可能需要检查AMD的文档。
除了将batch size大小设置为8的倍数外，还将batch size大小最大化，直到它达到GPU的内存限制。这样，可以用更少的时间来完成一个epoch。

11、在前向中使用混合精度后向中不使用

有些操作不需要float64或float32的精度。因此，将操作设置为较低的精度可以节省内存和执行时间。对于各种应用，英伟达报告称具有Tensor Cores的GPU的混合精度可以提高3.5到25倍的速度。
值得注意的是，通常矩阵越大，混合精度加速度越高。在较大的神经网络中(例如BERT)，实验表明混合精度可以加快2.75倍的训练，并减少37%的内存使用。具有Volta, Turing, Ampere或Hopper架构的较新的GPU设备(例如，T4, V100, RTX 2060, 2070, 2080, 2080 Ti, A100, RTX 3090, RTX 3080，和RTX 3070)可以从混合精度中受益更多，因为他们有Tensor Core架构，它相比CUDA cores有特殊的优化。
带有Tensor Core的NVIDIA架构支持不同的精度
值得一提的是，采用Hopper架构的H100预计将于2022年第三季度发布，支持FP8 (float8)。PyTorch AMP可能会支持FP8(目前v1.11.0还不支持FP8)。
在实践中，需要在模型精度性能和速度性能之间找到一个最佳点。之前确实发现混合精度可能会降低模型的精度，这取决于算法，数据和问题。
使用自动混合精度(AMP)很容易在PyTorch中利用混合精度。PyTorch中的默认浮点类型是float32。AMP将通过使用float16来进行一组操作(例如，matmul, linear, conv2d)来节省内存和时间。AMP会自动cast到float32的一些操作(例如，mse_loss, softmax等)。有些操作(例如add)可以操作最宽的输入类型。例如，如果一个变量是float32，另一个变量是float16，那么加法结果将是float32。
autocast自动应用精度到不同的操作。因为损失和梯度是按照float16精度计算的，当它们太小时，梯度可能会“下溢”并变成零。GradScaler通过将损失乘以一个比例因子来防止下溢，根据比例损失计算梯度，然后在优化器更新权重之前取消梯度的比例。如果缩放因子太大或太小，并导致inf或NaN，则缩放因子将在下一个迭代中更新缩放因子。

  1. scaler = GradScaler()
  2. for features, target in data:
  3.     # Forward pass with mixed precision
  4.     with torch.cuda.amp.autocast(): # autocast as a context manager
  5.         output = model(features)
  6.         loss = criterion(output, target)    
  8.     # Backward pass without mixed precision
  9.     # It's not recommended to use mixed precision for backward pass
  10.     # Because we need more precise loss
  11.     scaler.scale(loss).backward()    
  13.     # scaler.step() first unscales the gradients .
  14.     # If these gradients contain infs or NaNs, 
  15.     # optimizer.step() is skipped.
  16.     scaler.step(optimizer)     
  18.     # If optimizer.step() was skipped,
  19.     # scaling factor is reduced by the backoff_factor in GradScaler()
  20.     scaler.update()

也可以使用autocast 作为前向传递函数的装饰器。

  1. class AutocastModel(nn.Module):
  2.     ...
  3.     @autocast() # autocast as a decorator
  4.     def forward(self, input):
  5.         x = self.model(input)
  6.         return x

12、在优化器更新权重之前将梯度设置为None

通过model.zero_grad()或optimizer.zero_grad()将对所有参数执行memset ，并通过读写操作更新梯度。但是，将梯度设置为None将不会执行memset，并且将使用“只写”操作更新梯度。因此，设置梯度为None更快。

  1. # Reset gradients before each step of optimizer
  2. for param in model.parameters():
  3.     param.grad = None
  5. # or (PyTorch >= 1.7)
  6. model.zero_grad(set_to_none=True)
  8. # or (PyTorch >= 1.7)
  9. optimizer.zero_grad(set_to_none=True)

13、梯度累积：每隔x个batch再更新梯度，模拟大batch size

这个技巧是关于从更多的数据样本积累梯度，以便对梯度的估计更准确，权重更新更接近局部/全局最小值。这在batch size较小的情况下更有帮助(由于GPU内存限制较小或每个样本的数据量较大)。

  1. for i, (features, target) in enumerate(dataloader):
  2.     # Forward pass
  3.     output = model(features)
  4.     loss = criterion(output, target)    
  6.     # Backward pass
  7.     loss.backward()    
  9.     # Only update weights every other 2 iterations
  10.     # Effective batch size is doubled
  11.     if (i+1) % 2 == 0 or (i+1) == len(dataloader):
  12.         # Update weights
  13.         optimizer.step()        
  14.         # Reset the gradients to None
  15.         optimizer.zero_grad(set_to_none=True)

14、在推理和验证的时候禁用梯度计算

实际上，如果只计算模型的输出，那么梯度计算对于推断和验证步骤并不是必需的。PyTorch使用一个中间内存缓冲区来处理requires_grad=True变量中涉及的操作。因此，如果知道不需要任何涉及梯度的操作，通过禁用梯度计算来进行推断/验证，就可以避免使用额外的资源。

  1. # torch.no_grad() as a context manager:
  2.     with torch.no_grad():
  3.     output = model(input)
  5. # torch.no_grad() as a function decorator:
  6. @torch.no_grad()
  7. def validation(model, input):
  8.     output = model(input)
  9. return output

15、torch.backends.cudnn.benchmark = True

在训练循环之前设置torch.backends.cudnn.benchmark = True可以加速计算。由于计算不同内核大小卷积的cuDNN算法的性能不同，自动调优器可以运行一个基准来找到最佳算法。当输入大小不经常改变时，建议开启这个设置。如果输入大小经常改变，那么自动调优器就需要太频繁地进行基准测试，这可能会损害性能。它可以将向前和向后传播速度提高1.27x到1.70x。

  1. torch.backends.cudnn.benchmark = True

16、对于4D NCHW Tensors使用通道在最后的内存格式

4D NCHW重新组织成 NHWC格式
使用channels_last内存格式以逐像素的方式保存图像，作为内存中最密集的格式。原始4D NCHW张量在内存中按每个通道(红/绿/蓝)顺序存储。转换之后，x = x.to(memory_format=torch.channels_last)，数据在内存中被重组为NHWC (channels_last格式)。可以看到RGB层的每个像素更近了。据报道，这种NHWC格式与FP16的AMP一起使用可以获得8%到35%的加速。
目前，它仍处于beta测试阶段，仅支持4D NCHW张量和一组模型(例如，alexnet，mnasnet家族，mobilenet_v2，resnet家族，shufflenet_v2，squeezenet1，vgg家族)。但可以肯定，这将成为一个标准的优化。

  1. N, C, H, W = 10, 3, 32, 32
  3. x = torch.rand(N, C, H, W)
  5. # Stride is the gap between one element to the next one 
  6. # in a dimension.
  7. print(x.stride()) 
  9. # (3072, 1024, 32, 1)# Convert the tensor to NHWC in memory
  10. x2 = x.to(memory_format=torch.channels_last)
  12. print(x2.shape)  # (10, 3, 32, 32) as dimensions order preserved
  13. print(x2.stride())  # (3072, 1, 96, 3), which are smaller
  14. print((x==x2).all()) # True because the values were not changed

17、在batch normalization之前禁用卷积层的bias

这是可行的，因为在数学上，bias可以通过batch normalization的均值减法来抵消。可以节省模型参数、运行时的内存。

  1. nn.Conv2d(..., bias=False)

18、使用 DistributedDataParallel代替DataParallel

对于多GPU来说，即使只有单个节点，也总是优先使用 DistributedDataParallel而不是 DataParallel，因为 DistributedDataParallel 应用于多进程，并为每个GPU创建一个进程，从而绕过Python全局解释器锁(GIL)并提高速度。

总结

在这篇文章中，列出了一个清单，并提供了18个PyTorch技巧的代码片段。然后，逐一解释了它们在不同方面的工作原理和原因，包括数据加载、数据操作、模型架构、训练、推断、cnn特定的优化和分布式计算。一旦深入理解了它们的工作原理，可能会找到适用于任何深度学习框架中的深度学习建模的通用原则。