Training met mixed precision

Efficiënt AI-modellen trainen met PyTorch

Dennis Lee

Data Engineer, Amazon

Mixed precision versnelt berekeningen

Pictogrammen voor geheugenefficiëntie, communicatiemogelijkheden en rekenefficiëntie.

Sneller rekenen met minder precisie

Diagram van de representatie van drijvende-kommagetallen in FP32 en FP16.

Sneller rekenen met minder precisie

Diagram van de representatie van drijvende-kommagetallen in FP32 en FP16.

Sneller rekenen met minder precisie

Diagram van de representatie van drijvende-kommagetallen in FP32 en FP16.

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt
Schaal de loss om underflow te voorkomen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt
Schaal de loss om underflow te voorkomen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt
Schaal de loss om underflow te voorkomen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt
Schaal de loss om underflow te voorkomen

Wat is training met mixed precision?

Diagram met de stappen van training met mixed precision.

Mixed precision: combineer FP16 en FP32 om training te versnellen
Underflow: getal wordt 0 doordat het onder de precisiegrens valt
Schaal de loss om underflow te voorkomen

PyTorch-implementatie

Grafiek: gebruiksgemak vs. aanpasbaarheid voor PyTorch, Accelerator en Trainer.

Mixed precision met PyTorch

scaler = torch.amp.GradScaler()


for batch in train_dataloader:
    inputs, targets = batch["input_ids"], batch["labels"]

    with torch.autocast(device_type="cpu", dtype=torch.float16):

         outputs = model(inputs, labels=targets)
         loss = outputs.loss

    scaler.scale(loss).backward()

    scaler.step(optimizer)

    scaler.update()

    optimizer.zero_grad()

Van PyTorch naar Accelerator

Grafiek: gebruiksgemak vs. aanpasbaarheid voor PyTorch, Accelerator en Trainer.

Van PyTorch naar Accelerator

Grafiek: gebruiksgemak vs. aanpasbaarheid voor PyTorch, Accelerator en Trainer.

Mixed precision met Accelerator

accelerator = Accelerator(mixed_precision="fp16")


model, optimizer, train_dataloader, lr_scheduler = \
    accelerator.prepare(model, optimizer, train_dataloader, lr_scheduler)


for batch in train_dataloader:
    inputs, targets = batch["input_ids"], batch["labels"]
    outputs = model(inputs, labels=targets)
    loss = outputs.loss
    accelerator.backward(loss)
    optimizer.step()
    optimizer.zero_grad()

Van Accelerator naar Trainer

Grafiek: gebruiksgemak vs. aanpasbaarheid voor PyTorch, Accelerator en Trainer.

Van Accelerator naar Trainer

Grafiek: gebruiksgemak vs. aanpasbaarheid voor PyTorch, Accelerator en Trainer.

Mixed precision met Trainer

training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    fp16=True
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset["train"],
    eval_dataset=dataset["validation"],
    compute_metrics=compute_metrics,
)

trainer.train()

Laten we oefenen!

Efficiënt AI-modellen trainen met PyTorch

Preparing Video For Download...