不要让你的神经网络变成这样
让我们面对现实吧，你的模型可能还停留在石器时代。我敢打赌你仍然使用32位精度或GASP甚至只在一个GPU上训练。
我明白，网上都是各种神经网络加速指南，但是一个checklist都没有（现在有了），使用这个清单，一步一步确保你能榨干你模型的所有性能。
本指南从最简单的结构到最复杂的改动都有，可以使你的网络得到最大的好处。我会给你展示示例PyTorch代码以及可以在PyTorch- lightning TRAIneR中使用的相关flags，这样你可以不用自己编写这些代码！
**这本指南是为谁准备的？**任何使用PyTorch进行深度学习模型研究的人，如研究人员、博士生、学者等，我们在这里谈论的模型可能需要你花费几天的训练，甚至是几周或几个月。
我们会讲到：
使用DataloadeRs DataloadeR中的woRkeRs数量 BATch size 梯度累计 保留的计算图 移动到单个 16-bIT 混合精度训练 移动到多个GPUS中（模型复制） 移动到多个GPU-nodes中 (8+GPUS) 思考模型加速的技巧
PyTorch-Lightning
你可以在PyTorch的库PyTorch- lightning中找到我在这里讨论的每一个优化。Lightning是在PyTorch之上的一个封装，它可以自动训练，同时让研究人员完全控制关键的模型组件。Lightning 使用最新的最佳实践，并将你可能出错的地方最小化。
我们为MNIST定义LightningModel并使用TRAIneR来训练模型。
1. DataloadeRs
这可能是最容易获得速度增益的地方。保存h5py或nuMpy文件以加速数据加载的时代已经一去不复返了，使用PyTorch dataloadeR加载图像数据很简单(对于NLP数据，请查看TorchText)。
在lightning中，你不需要指定训练循环，只需要定义dataloadeRs和TRAIneR就会在需要的时候调用它们。
dataset = MNIST(Root=self.hpaRaMs.data_Root, tRAIntRAIn=tRAIn, download=TRue) loadeR = DataloadeR(dataset, BATch_size=32, shuFFle=TRue) foR BATch in loadeR: x, y = BATch Model.tRAIning_step(x, y) …
2. DataloadeRs 中的 woRkeRs 的数量
另一个加速的神奇之处是允许批量并行加载。因此，您可以一次装载nb_woRkeRs个BATch，而不是一次装载一个BATch。
3. BATch size
在开始下一个优化步骤之前，将BATch size增大到CPU-RAM或GPU-RAM所允许的最大范围。
下一节将重点介绍如何帮助减少内存占用，以便你可以继续增加BATch size。
记住，你可能需要再次更新你的学习率。一个好的经验法则是，如果BATch size加倍，那么学习率就加倍。
4. 梯度累加
在你已经达到计算资源上限的情况下，你的BATch size仍然太小(比如8)，然后我们需要模拟一个更大的BATch size来进行梯度下降，以提供一个良好的估计。
在lightning中，全部都给你做好了，只需要设置accuMulate_gRad_BATches=16：
tRAIneR = TRAIneR(accuMulate_gRad_BATches=16) tRAIneR.fIT(Model)
5. 保留的计算图
一个最简单撑爆你的内存的方法是为了记录日志存储你的loSS。
loSSes = [] … loSSes.append(loSS) pRint(f””cuRRent loSS: {Torch.Mean(loSSes)””})
上面的问题是，loSS仍然包含有整个图的副本。在这种情况下，调用.ITeM()来释放它。
Lightning会非常小心，确保不会保留计算图的副本。
6. 单个GPU训练
一旦你已经完成了前面的步骤，是时候进入GPU训练了。在GPU上的训练将使多个GPU coRes之间的数学计算并行化。你得到的加速取决于你所使用的GPU类型。我推荐个人用2080Ti，公司用V100。
乍一看，这可能会让你不知所措，但你真的只需要做两件事:1)移动你的模型到GPU, 2)每当你运行数据通过它，把数据放到GPU上。
如果你使用Lightning，你什么都不用做，只需要设置TRAIneR(gpUS=1)。
在GPU上进行训练时，要注意的主要事情是限制CPU和GPU之间的传输次数。
如果内存耗尽，不要将数据移回CPU以节省内存。在求助于GPU之前，尝试以其他方式优化你的代码或GPU之间的内存分布。
另一件需要注意的事情是调用强制GPU同步的操作。清除内存缓存就是一个例子。
但是，如果使用Lightning，惟一可能出现问题的地方是在定义Lightning module时。Lightning会特别注意不去犯这类错误。
7. 16-bIT 精度
16bIT精度是将内存占用减半的惊人技术。大多数模型使用32bIT精度数字进行训练。然而，最近的研究发现，16bIT模型也可以工作得很好。混合精度意味着对某些内容使用16bIT，但将权重等内容保持在32bIT。
要在PyTorch中使用16bIT精度，请安装NVIDIA的apex库，并对你的模型进行这些更改。
aMp包会处理好大部分事情。如果梯度爆炸或趋向于0，它甚至会缩放loSS。
在lightning中，启用16bIT并不需要修改模型中的任何内容，也不需要执行我上面所写的操作。设置TRAIneR(pRecision=16)就可以了。
8. 移动到多个GPUS中
现在，事情变得非常有趣了。有3种(也许更多？)方法来进行多GPU训练。
分BATch训练
模型分布训练
两者混合
9. 多节点GPU训练
每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。
如果你已经做到了这一步，那么你现在可以在几分钟内训练imagenet了！这并没有你想象的那么难，但是它可能需要你对计算集群的更多知识。这些说明假设你正在集群上使用SLURM。
PyTorch允许多节点训练，通过在每个节点上复制每个GPU上的模型并同步梯度。所以，每个模型都是在每个GPU上独立初始化的，本质上独立地在数据的一个分区上训练，除了它们都从所有模型接收梯度更新。
在高层次上：
在每个GPU上初始化一个模型的副本(确保设置种子，让每个模型初始化到相同的权重，否则它会失败)。 将数据集分割成子集(使用DistRibutedSaMpleR)。每个GPU只在它自己的小子集上训练。 在.backwaRd()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。
PyTorch有一个很好的抽象，叫做DistRibutedDataPaRallel，它可以帮你实现这个功能。要使用DDP，你需要做4的事情：
然而，在Lightning中，只需设置节点数量，它就会为你处理其余的事情。
10. 福利！在单个节点上多GPU更快的训练
事实证明，distRibutedDataPaRallel比DataPaRallel快得多，因为它只执行梯度同步的通信。所以，一个好的hack是使用distRibutedDataPaRallel替换DataPaRallel，即使是在单机上进行训练。
对模型加速的思考
尽管本指南将为你提供了一系列提高网络速度的技巧，但我还是要给你解释一下如何通过查找瓶颈来思考问题。
我将模型分成几个部分：
首先，我要确保在数据加载中没有瓶颈。为此，我使用了我所描述的现有数据加载解决方案，但是如果没有一种解决方案满足你的需要，请考虑离线处理和缓存到高性能数据存储中，比如h5py。
接下来看看你在训练步骤中要做什么。确保你的前向传播速度快，避免过多的计算以及最小化CPU和GPU之间的数据传输。最后，避免做一些会降低GPU速度的事情(本指南中有介绍)。
接下来，我试图最大化我的BATch size，这通常是受GPU内存大小的限制。现在，需要关注在使用大的BATch size的时候如何在多个GPUS上分布并最小化延迟（比如，我可能会尝试着在多个gpu上使用8000 +的有效BATch size）。
然而，你需要小心大的BATch size。针对你的具体问题，请查阅相关文献，看看人们都忽略了什么！
