Trenowanie w mieszanej precyzji

Efektywne trenowanie modeli AI z PyTorch

Dennis Lee

Data Engineer, Amazon

Trenowanie w mieszanej precyzji przyspiesza obliczenia

Ikony reprezentujące wydajność pamięci, komunikacji i obliczeń.

Szybsze obliczenia przy mniejszej precyzji

Diagram pokazujący reprezentację liczb zmiennoprzecinkowych w FP32 i FP16.

Szybsze obliczenia przy mniejszej precyzji

Diagram pokazujący reprezentację liczb zmiennoprzecinkowych w FP32 i FP16.

Szybsze obliczenia przy mniejszej precyzji

Diagram pokazujący reprezentację liczb zmiennoprzecinkowych w FP32 i FP16.

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji
Skalowanie straty zapobiega niedomiarem

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji
Skalowanie straty zapobiega niedomiarem

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji
Skalowanie straty zapobiega niedomiarem

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji
Skalowanie straty zapobiega niedomiarem

Czym jest trenowanie w mieszanej precyzji?

Diagram ilustrujący kroki trenowania w mieszanej precyzji.

Trenowanie w mieszanej precyzji: łączenie obliczeń FP16 i FP32 w celu przyspieszenia trenowania
Niedomiar: liczba zanika do 0, gdy wykracza poza zakres precyzji
Skalowanie straty zapobiega niedomiarem

Implementacja w PyTorch

Wykres porównujący łatwość użycia z możliwością dostosowania dla PyTorch, Accelerator i Trainer.

Trenowanie w mieszanej precyzji z 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()

Od PyTorch do Accelerator

Wykres porównujący łatwość użycia z możliwością dostosowania dla PyTorch, Accelerator i Trainer.

Od PyTorch do Accelerator

Wykres porównujący łatwość użycia z możliwością dostosowania dla PyTorch, Accelerator i Trainer.

Trenowanie w mieszanej precyzji z 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()

Od Accelerator do Trainer

Wykres porównujący łatwość użycia z możliwością dostosowania dla PyTorch, Accelerator i Trainer.

Od Accelerator do Trainer

Wykres porównujący łatwość użycia z możliwością dostosowania dla PyTorch, Accelerator i Trainer.

Trenowanie w mieszanej precyzji z 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()

Czas na ćwiczenia!

Efektywne trenowanie modeli AI z PyTorch

Preparing Video For Download...