浅谈混合精度训练imagenet

零、序

本文没有任何的原理和解读，只有一些实验的结论，对于想使用混合精度训练的同学可以直接参考结论白嫖，或者直接拿github上的代码(文末放送)。

一、引言

以前做项目的时候出现过一个问题，使用FP16训练的时候，只要BatchSize增加(LR也对应增加)的时候训练，一段时间后就会出现loss异常，同时val对应的明显降低，甚至直接NAN的情况出现，图示如下：

• 这种是比较正常的损失和acc的情况，因为项目的数据非常长尾。

• 这种就是不正常的训练情况, val的损失不下降反而上升，acc不升反而降。

• 还有一种情况，就是训练十几个epoch以后，loss上升到非常大，acc为nan，后续训练都是nan，tensorboard显示有点问题，只好看ckpt的结果了。

由于以前每周都没跑很多模型，问题也不是经常出现，所以以为是偶然时间，不过最近恰好最近要做一些transformer的实验，在跑imagenet baseline(R50)的时候，出现了类似的问题，由于FP16训练的时候，出现了溢出的情况所导致的。简单的做了一些实验，整理如下。

二、混合精度训练

混合精度训练，以pytorch 1.6版本为基础的话，大致是有3种方案，依次介绍如下：

1. 模型和输入输出直接half，如果有BN，那么BN计算需要转为FP32精度，我上面的问题就是基于此来训练的，代码如下：

    if args.FP16:
        model = model.half()
        for bn in get_bn_modules(model):
            bn.float()
    ...

    for data in dataloader:
        if args.FP16:
            image, label = data[0].half()
            output = model(image)
            losses = criterion(output, label)

        optimizer.zero_grad()
        losses.backward()
        optimizer.step()

2. 使用NVIDIA的Apex库，这里有O1,O2,O3三种训练模式，代码如下：

try:
    from apex import amp 
    from apex.parallel import convert_syncbn_model
    from apex.parallel import DistributedDataParallel as DDP 
except Exception as e:
    print("amp have not been import !!!")

if args.apex:
   model = convert_syncbn_model(model)

if args.apex:
   model, optimizer = amp.initialize(model, optimizer, opt_level=args.mode) 
   model = DDP(model, delay_allreduce=True)

...

for data in dataloader:
    image, label = data[0], data[1]
    batch_output = model(image)
    losses = criterion(batch_output, label)

    optimizer.zero_grad()
    if args.apex:
        with amp.scale_loss(losses, optimizer) as scaled_loss:
            scaled_loss.backward()
        optimizer.step()

3. pytorch1.6版本以后把apex并入到了自身的库里面，代码如下：

from torch.cuda.amp import autocast as autocast
from torch.nn.parallel import DistributedDataParallel as DataParallel

model = DataParallel(model, 
                        device_ids=[args.local_rank], 
                        find_unused_parameters=True)

if args.amp:
        scaler = torch.cuda.amp.GradScaler()

for data in dataloader:
    image, label = data[0], data[1]
  
    if args.amp:
        with autocast():
            batch_output = model(image)
            losses = criterion(batch_output, label)

    if args.amp:
        scaler.scale(losses).backward()
        scaler.step(optimizer)
        scaler.update()

三、pytorch不同的分布式训练速度对比

• 环境配置如下：

  CPU Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz

  GPU 8XV100 32G

  cuda 10.2

  pytorch 1.7.

pytorch分布式有两种不同的启动方法，一种是单机多卡启动，一种是多机多卡启动, ps: DataParallel不是分布式训练。

• 多机启动

  #!/bin/bash
  cd $FOLDER;
  CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -W ignore -m torch.distributed.launch --nproc_per_node 8 train_lanuch.py \
  ...
  

• 单机启动

  cd $FOLDER;
  CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -W ignore test.py \
  --dist-url 'tcp://127.0.0.1:9966' \
  --dist-backend 'nccl' \
  --multiprocessing-distributed=1 \
  --world-size=1 \
  --rank=0 \
  ...
  

  详细代码看文末的github链接。

  实验一、num workers对于速度的影响

  我的服务器是48个物理核心，96个逻辑核心，所以48的情况下，效果最好，不过增加和减少对于模型的影响不大，基本上按照CPU的物理核心个数来设置就可以。

  num workers	BatchSize	FP16	epoch time
  32	256	No	7:48
  48	256	No	7:46
  64	256	No	7:47

  实验二、OMP和MKL对于速度的影响

  OMP和MKL对于多机模式下的速度有轻微的影响，如果不想每个都去试，直接经验设置为1最合理。FP16大幅度提升模型的训练速度，可以节省2/5的时间。

  OMP & MKL	num workers	BatchSize	FP16	epoch time
  1	48	256	No	7:47
  2	48	256	No	7:51
  4	48	256	No	7:50
  1	48	256	Yes	4:46

  实验三、单机和多机启动速度差异

  单机和多机启动，对于模型的前向基本是没有影响的， 主要的差异是在loader开始执行的速度，多机比起单机启动要快2倍-5倍左右的时间。

四、不同混合精度训练方法对比

实验均在ResNet50和imagenet下面进行的，LR随着BS变换和线性增长，公式如下

• 实验结果

  模型FP16+BNFP32实验记录

  模型	数据集	batchsize（所有卡的总数）	优化器	LearningRate	top1@acc
  ResNet50	ImageNet1k	256	SGD optimizer	0.1	75.40%
  ResNet50	ImageNet1k	512	SGD optimizer	0.2	75.70%
  ResNet50	ImageNet1k	1024	SGD optimizer	0.4	75.57%
  ResNe50	ImageNet1k	2048	SGD optimizer	0.8	NaN
  ResNet50	ImageNet1k	4096	SGD optimizer	1.6	NaN

  很明显可以发现，单存使用FP16进行训练，但是没有loss缩放的情况下，当BS和LR都增大的时候，训练是无法进行的，直接原因就是因为LR过大，导致模型更新的时候数值范围溢出了，同理loss也就直接为NAN了，我尝试把LR调小后发现，模型是可以正常训练的，只是精度略有所下降。

  Apex混合精度实验记录

  模型	MODE	数据集	batchsize（所有卡的总数）	优化器	LearningRate	top1@acc
  ResNet50	O1（FP16训练，部分op,layer用FP32计算）	ImageNet1k	4096	SGD optimizer	1.6	75.79%
  ResNe50	O2 (FP16训练，BN用FP32计算)	ImageNet1k	4096	SGD optimizer	1.6	75.59%
  ResNet50	O3（几乎存FP16训练）	ImageNet1k	4096	SGD optimizer	1.6	NaN

  Apex O3模式下的训练情况和上面FP16的结论是一致的，存FP16训练，不管是否有loss缩放都会导致训练NaN，O2和O1是没有任何问题的，O2的精度略低于O1的精度。

  AMP实验记录

  模型	MODE	数据集	batchsize（所有卡的总数）	优化器	LearningRate	top1@acc	Time
  ResNet50	APEX O1	ImageNet1k	4096	SGD optimizer	1.6	75.79%	8h42min32s
  ResNe50	AMP	ImageNet1k	4096	SGD optimizer	1.6	75.92%	8h26min45s

  AMP自动把模型需要用FP32计算的层或者op直接转换，不需要显著性指定。精度比apex高，同时训练时间更少。

  2-bit训练，ACTNN

  简单的尝试了一下2bit训练，1k的bs是可以跑的，不过速度相比FP16跑，慢了太多，基本可以pass掉了。

附上一个比较合理的收敛情况

五、结论

• 如果使用分布式训练，使用pytorch 多机模式启动，收益比较高，如果你不希望所有卡都用的话，那么建议使用单机多卡的模式。
• 如果使用FP16方式计算的话，那么无脑pytorch amp就可以了，速度和精度都比较有优势，代码量也不多。
• 我的增强只用了随机裁剪，水平翻转，跑了90个epoch，原版的resnet50是跑了120个epoch，还有color jitter，imagenet上one crop的结果0.76012，和我的结果相差无几，所以分类任务(基本上最后是求概率的问题，图像，视频都work，已经验证过)上FP16很明显完全可以替代FP32。我跑了一个120epoch的版本，结果是0.767，吊打原版本结果了QAQ。
• 如果跑小的bs，第一种FP16的方法完全是ok的，对于大的bs来说，使用AMP会使得模型的收敛更加稳定。
• 代码在这里，自行取用。