代码详解：用Pytorch训练快速神经网络的9个技巧

https://williamfalcon.github.io/pytorch-lightning/Trainer/Training%20Loop/?source=post_page---------------------------#accumulated-gradients

trainer = Trainer(accumulate_grad_batches=16) 
trainer.fit(model) 

5. 保留计算图

撑爆内存很简单，只要不释放指向计算图形的指针，比如……为记录日志保存loss。

losses = [] 
 
... 
losses.append(loss) 
 
print(f'current loss: {torch.mean(losses)'}) 

上述的问题在于，loss仍然有一个图形副本。在这种情况中，可用.item()来释放它。

# bad 
losses.append(loss) 
 
# good 
losses.append(loss.item()) 

Lightning会特别注意，让其无法保留图形副本 (示例：

https://github.com/williamFalcon/pytorch-lightning/blob/master/pytorch_lightning/models/trainer.py?source=post_page---------------------------#L767-L768)

6. 单GPU训练

一旦完成了前面的步骤，就可以进入GPU训练了。GPU的训练将对许多GPU核心上的数学计算进行并行处理。能加速多少取决于使用的GPU类型。个人使用的话，推荐使用2080Ti，公司使用的话可用V100。

刚开始你可能会觉得压力很大，但其实只需做两件事: 1)将你的模型移动到GPU上，2)在用其运行数据时，把数据导至GPU中。

# put model on GPU 
model.cuda(0) 
 
# put data on gpu (cuda on a variable returns a cuda copy) 
xx = x.cuda(0) 
 
# runs on GPU now 
model(x) 

如果使用Lightning，则不需要对代码做任何操作。只需设置标记

(https://williamfalcon.github.io/pytorch-lightning/Trainer/Distributed%20training/?source=post_page---------------------------#single-gpu)：

# ask lightning to use gpu 0 for training 
trainer = Trainer(gpus=[0]) 
trainer.fit(model) 

在GPU进行训练时，要注意限制CPU和GPU之间的传输量。

# expensive 
xx = x.cuda(0) 
 
# very expensive 
xx = x.cpu() 
xx = x.cuda(0) 

例如，如果耗尽了内存，不要为了省内存，将数据移回CPU。尝试用其他方式优化代码，或者在用这种方法之前先跨GPUs分配代码。

此外还要注意进行强制GPUs同步的操作。例如清除内存缓存。

# really bad idea.Stops all the GPUs until they all catch up 
torch.cuda.empty_cache() 

但是如果使用Lightning，那么只有在定义Lightning模块时可能会出现这种问题。Lightning特别注意避免此类错误。

7. 16位精度

16位精度可以有效地削减一半的内存占用。大多数模型都是用32位精度数进行训练的。然而最近的研究发现，使用16位精度，模型也可以很好地工作。混合精度指的是，用16位训练一些特定的模型，而权值类的用32位训练。

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!