tf.train.experimental.enable_mixed_precision_graph_rewrite

Включить смешанную точность с помощью переписывания графа.

tf.train.experimental.enable_mixed_precision_graph_rewrite(
    opt, loss_scale='dynamic'
)

Смешанная точность — это использование типов данных float32 и float16 при обучении модели для повышения производительности. Это достигается с помощью операции переписывания графа и оптимизатора с масштабированием потерь.

Выполнение арифметических операций с типом float16 использует специализированные вычислительные блоки, такие как NVIDIA Tensor Cores, для существенно большей производительности арифметических операций. Однако из-за меньшего диапазона представимых значений выполнение всего обучения с типом float16 может привести к переполнению градиента, то есть к преобразованию небольших значений градиента в нули. Вместо этого выполнение только некоторых арифметических операций в формате float16 приводит к большей пропускной способности и уменьшению времени обучения при использовании совместимых аппаратных ускорителей, а также к снижению использования памяти, обычно без потери точности модели.

Примечание: Хотя переписывание смешанной точности изменяет тип данных различных слоёв модели, ожидается достижение той же точности, что и при использовании float32. Если при динамическом масштабировании потерь произойдёт NaN градиента, обновление модели для этой пакетной обработки пропускается. В этом случае счётчик глобальных шагов не увеличивается, и LossScaleOptimizer пытается уменьшить значение масштабирования потерь, чтобы избежать NaN значений в последующих итерациях. Этот подход показал достижение той же точности, что и float32, и в большинстве случаев лучшей производительности обучения.

Пример:

model = tf.keras.models.Sequential([
  ...
])

opt = tf.keras.optimizers.SGD()
opt = tf.train.experimental.enable_mixed_precision_graph_rewrite(opt)

model.compile(loss="categorical_crossentropy",
            optimizer=opt,
            metrics=["accuracy"])

model.fit(x_train, y_train,
        batch_size=batch_size,
        epochs=epochs)

Для получения полного примера, демонстрирующего ускорение при обучении задачи классификации изображений на CIFAR10, ознакомьтесь с этим блокнотом Colab.

Вызов enable_mixed_precision_graph_rewrite(opt) включает операцию переписывания графа перед вычислением градиентов. Функция также возвращает Optimizer(opt) в обёртке LossScaleOptimizer. Это предотвращает переполнение тензоров float16 во время обратного прохода.

Оптимизатор типа tf.train.Optimizer или tf.keras.optimizers.Optimizer должен быть передан в эту функцию, которая затем будет обернута для использования масштабирования потерь.

http://developer.download.nvidia.com/compute/machine-learning/frameworks/ TF_mixed_precision_training.png" width="500px">

Операция переписывания графа изменяет dtype некоторых операций в графе с float32 на float16. Существует несколько категорий операций, которые либо включены, либо исключены этой операцией переписывания. Следующие категории операций определены внутри соответствующих функций в классе AutoMixedPrecisionLists в auto_mixed_precision_lists.h:

• ClearList: Операции, которые не оказывают значительного негативного влияния на точность. Например, ArgMax и Floor.
• WhiteList: Операции, которые считаются числовыми безопасными для выполнения в float16 и, следовательно, всегда преобразуются. Например, Conv2D.
• BlackList: Операции, которые числово небезопасны для выполнения в float16 и могут негативно повлиять на последующие узлы. Например, Softmax.
• GrayList: Операции, которые считаются числово безопасными для выполнения в float16, если они не расположены ниже узла в списке BlackList. Например, Add и AvgPool.

При использовании этой функции градиенты должны вычисляться и применяться только с возвращенным оптимизатором, вызывая либо opt.minimize() либо opt.compute_gradients(), за которым следует opt.apply_gradients(). Градиенты не должны вычисляться с помощью tf.gradients или tf.GradientTape. Это связано с тем, что возвращенный оптимизатор применяет масштабирование потерь, а tf.gradients или tf.GradientTape — нет. Если вы напрямую используете tf.gradients или tf.GradientTape, ваша модель может не сойтись из-за проблем с переполнением float16.

При включенном режиме Eager execution переписывание графа смешанной точности включено только в рамках tf.function, так как вне tf.function графа нет.

Для NVIDIA GPU с Tensor Cores в качестве общего руководства по производительности размеры (такие как размер пакета, размер входных данных, размер выходных данных и количество каналов) должны быть степенями двойки, если они меньше 256, или в противном случае делиться на 8, если они больше 256. Для получения дополнительной информации ознакомьтесь с Руководством NVIDIA по производительности в глубоком обучении.

В настоящее время смешанная точность включена только на NVIDIA Tensor Core GPU с вычислительной способностью 7.0 и выше (Volta, Turing или более новые архитектуры). Части графа на процессорах CPU и TPU не затрагиваются операцией переписывания. Поддержка TPU появится в ближайшее время. Поддержка процессоров CPU не предусмотрена, так как процессоры CPU не выполняют операции float16 быстрее, чем операции float32.