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
    • 

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。

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

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 autocastmodel = 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.FloatTensoroptimizer = 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 GradScalermodel = 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.FloatTensoroptimizer = 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()