tf.compat.v1.mixed_precision.enable_mixed_precision_graph_rewrite

Включить смешанную точность с помощью переработки графа.

tf.compat.v1.mixed_precision.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 переработки графа и оптимизатора с масштабированием потери.

Выполнение арифметических операций в 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 малые значения градиента становятся нулями. Вместо этого выполнение только некоторых арифметических операций в float16 приводит к большей пропускной способности и сокращению времени обучения при использовании совместимых аппаратных ускорителей, а также к уменьшению использования памяти, как правило, без потери точности модели.

Примечание: Хотя смешанная точность переработки изменяет тип данных различных слоев во всей модели, ожидается достижение такой же точности, как и при использовании float32. Если возникает NaN градиент при динамическом масштабировании потери, обновление модели для этой партии пропускается. В этом случае счетчик глобального шага не увеличивается, а LossScaleOptimizer пытается уменьшить значение масштабирования потери, чтобы избежать NaN значений в последующих итерациях. Этот подход показал, что достигается такая же точность, как и при использовании float32, и в большинстве случаев улучшается пропускная способность 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 переработки графа перед вычислением градиентов. Функция также возвращает Optimizer (opt) в оболочке 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 потери.

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

• ClearList: Операции, которые не оказывают существенного негативного влияния на вычисления. Например, ArgMax и Floor.
• AllowList: Операции, которые считаются вычислительно безопасными при выполнении в float16, и поэтому всегда преобразуются. Например, Conv2D.
• DenyList: Операции, которые не являются безопасными для вычислений в float16 и могут отрицательно влиять на последующие узлы. Например, Softmax.
• GrayList: Операции, которые считаются вычислительно безопасными при выполнении в float16, если они не расположены вниз по потоку от операции DenyList. Например, Add и AvgPool.

При использовании этой функции вычисление и применение градиентов следует выполнять только с возвращенным 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 возвращенный оптимизатор будет применять масштабирование потери, а tf.gradients или tf.GradientTape — нет. Если вы напрямую используете tf.gradients или tf.GradientTape, ваша модель может не сходиться из-за проблем с переполнением float16.

При включенном выполнении eager, переработка графа смешанной точности включена только внутри tf.functions, так как за пределами tf.functions нет графа.

Для NVIDIA GPU с Tensor Cores, в качестве общего руководства по производительности, размерности (такие как размер партии, размер входных данных, размер выходных данных и количество каналов) должны быть степенями двойки, если меньше 256, или в противном случае делиться на 8, если больше 256. Более подробную информацию можно найти в Руководстве по производительности NVIDIA Deep Learning.

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 и TPUs не затронуты переработкой графа.