tf.compat.v1.mixed_precision.enable_mixed_precision_graph_rewrite

Включить смешанную точность с помощью переписывания 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 переписывания графа и оптимизатора с масштабом потерь.

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

Примечание: Хотя переписывание смешанной точности изменяет тип данных различных слоев всей модели, ожидается достижение той же точности, что и в float32. Если возникает NaN градиент с динамическим масштабированием потерь, обновление модели для этой партии пропускается. В этом случае счётчик глобальных шагов не увеличивается, и LossScaleOptimizer пытается уменьшить значение масштаба 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([
    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 также возвращает Optimizer (opt) обернутый в 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 некоторых операций в графе с float32 на float16. Существует несколько категорий операций, которые включаются или исключаются этой операцией переписывания. Следующие категории операций определены внутри соответствующих функций в классе AutoMixedPrecisionLists в auto_mixed_precision_lists.h:

• ClearList: Операции, которые не оказывают значимого негативного влияния на числовые результаты. Например, ArgMax и Floor.
• AllowList: Операции, которые считаются числово безопасными для выполнения в float16 и, таким образом, всегда преобразуются. Например, Conv2D.
• DenyList: Операции, которые являются числово небезопасными для выполнения в float16 и могут негативно влиять на последующие узлы. Например, Softmax.
• GrayList: Операции, которые считаются числово безопасными для выполнения в float16, за исключением случаев, когда они находятся ниже операции из DenyList. Например, Add и AvgPool.

При использовании этой функции вычисление и применение градиентов следует выполнять 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 не будут. Если вы напрямую используете tf.gradients или tf.GradientTape, ваша модель может не сходиться из-за проблем с переполнением float16.

При включённом режиме жадного выполнения смешанная перестройка графа включена только в tf.functionы, так как вне tf.functionов графа нет.

Для графических процессоров NVIDIA с Tensor Cores, в качестве общего руководства по производительности, размерности (такие как размер пакет, 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. Для получения дополнительной информации ознакомьтесь с Руководством по производительности NVIDIA Deep Learning.

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