Навчання зі змішаною точністю

Ефективне тренування моделей ШІ з PyTorch

Dennis Lee

Data Engineer, Amazon

Змішана точність пришвидшує обчислення

Піктограми ефективності пам’яті, обміну та обчислень.

Швидші обчислення з меншою точністю

Схема представлення чисел з плаваючою крапкою у FP32 та FP16.

Швидші обчислення з меншою точністю

Схема представлення чисел з плаваючою крапкою у FP32 та FP16.

Швидші обчислення з меншою точністю

Схема представлення чисел з плаваючою крапкою у FP32 та FP16.

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність
Масштабуйте loss, щоб запобігти underflow

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність
Масштабуйте loss, щоб запобігти underflow

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність
Масштабуйте loss, щоб запобігти underflow

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність
Масштабуйте loss, щоб запобігти underflow

Що таке навчання зі змішаною точністю?

Схема, що ілюструє кроки навчання зі змішаною точністю.

Змішана точність: поєднання обчислень FP16 і FP32 для пришвидшення навчання
Underflow: число стає 0 через недостатню розрядність
Масштабуйте loss, щоб запобігти underflow

Реалізація в PyTorch

Діаграма порівняння простоти використання та можливості налаштування для PyTorch, Accelerator і Trainer.

Змішана точність у 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()

Від PyTorch до Accelerator

Діаграма порівняння простоти використання та можливості налаштування для PyTorch, Accelerator і Trainer.

Від PyTorch до Accelerator

Діаграма порівняння простоти використання та можливості налаштування для PyTorch, Accelerator і Trainer.

Змішана точність з 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()

Від Accelerator до Trainer

Діаграма порівняння простоти використання та можливості налаштування для PyTorch, Accelerator і Trainer.

Від Accelerator до Trainer

Діаграма порівняння простоти використання та можливості налаштування для PyTorch, Accelerator і Trainer.

Змішана точність з 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()

Passons à la pratique !

Ефективне тренування моделей ШІ з PyTorch

Preparing Video For Download...