tf.compat.v1.train.experimental.enable_mixed_precision_graph_rewrite

Включить смешанную точность с помощью переписывания графа.

tf.compat.v1.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 в формате float16 использует специализированные процессорные блоки, такие как NVIDIA Tensor Cores, для значительно большей пропускной способности арифметических операций. Однако из-за меньшего диапазона представления выполнение всего обучения с float16 может привести к градиентному переполнению, то есть к тому, что небольшие значения градиента становятся нулями. Вместо этого выполнение только некоторых арифметических операций в float16 приводит к большей пропускной способности и уменьшению времени обучения при использовании совместимых аппаратных ускорителей, а также к уменьшению использования памяти, обычно без потери точности модели.

Примечание: Хотя переписывание смешанной точности изменяет тип данных различных слоёв в модели, ожидается, что точность, достигнутая в float32, сохранится. Если происходит NaN градиент с динамическим масштабированием потерь, обновление модели для данной партии пропускается. В этом случае счётчик глобального шага не увеличивается, а LossScaleOptimizer пытается уменьшить значение масштабирования потерь, чтобы избежать NaN значений в последующих итерациях. Этот подход показал, что он достигает той же точности, что и float32, и во многих случаях обеспечивает лучшую производительность обучения.

Пример:

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(64, activation='softmax'),
])

opt = tf.keras.optimizers.SGD()
opt = tf.train.experimental.enable_mixed_precision_graph_rewrite(opt)
model.compile(loss="mse", optimizer=opt)

x_train = np.random.random((1024, 64))
y_train = np.random.random((1024, 64))
model.fit(x_train, y_train)

Вызов enable_mixed_precision_graph_rewrite(opt) включает операцию переписывания графа перед вычислением градиентов. Функция дополнительно возвращает Optimizer (opt) в обертке LossScaleOptimizer. Это предотвращает переполнение в тензорах 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.

Операция переписывания графа изменяет dtype определённых 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 влияния на точность. Например, ArgMax и Floor.
• WhiteList: Операции, которые считаются безопасными для выполнения в float16, и поэтому всегда преобразуются. Например, Conv2D.
• BlackList: Операции, которые не являются безопасными для выполнения в float16 и могут негативно влиять на последующие узлы. Например, Softmax.
• GrayList: Операции, которые считаются безопасными для выполнения в float16, если они не следуют за операцией из Черного списка. Например, Add и AvgPool.

При использовании этой функции вычисление и применение градиентов должны выполняться только с возвращённым оптимизатором, либо вызывая opt.minimize() или opt.compute_gradients() за которым следует opt.apply_gradients(). Градиенты не следует вычислять с помощью tf.gradients или tf.GradientTape. Это связано с тем, что возвращённый оптимизатор будет применять масштабирование потерь, а tf.gradients или tf.GradientTape этого не сделают. Если вы напрямую используете tf.gradients или tf.GradientTape, ваша модель может не сходиться из-за проблем с переполнением float16.

При включённом исполнении в режиме eager, переписывание графа смешанной точности включается только внутри tf.functionов, так как вне tf.functionов графа нет.

Для NVIDIA GPU с Tensor Cores, в качестве общего руководства по производительности, размеры (такие как размер партии, размер входных данных, размер выходных данных и количество каналов) должны быть степенями двойки, если они меньше 256, или кратны 8, если больше 256. Для получения дополнительной информации ознакомьтесь с Руководством по производительности NVIDIA Deep Learning.

В настоящее время смешанная точность включена только на NVIDIA Tensor Core GPU с вычислительной способностью 7.0 и выше (архитектуры Volta, Turing или новее). Части графа на процессорах и TPU не затрагиваются переписыванием графа.