MXNet半精度（FP16）

男娘i 2022-09-06 01:35 182阅读 0赞

MXNet半精度训练  
1.先决条件  
Volta range of Nvidia GPUs (e.g. AWS P3 instance)  
CUDA 9 or higher  
cuDNN v7 or higher  
2.使用Gluon API训练和前向推理  
2.1训练  
使用cast将网络设置为float16精度进行训练

net.cast('float16')
    
    data = data.astype('float16', copy=False)
    
    optimizer = mx.optimizer.create('sgd', multi_precision=True, lr=0.01)

2.fine tuning

import numpy as np
    import mxnet as mx
    from mxnet.gluon.model_zoo.vision import get_model
    
    
    pretrained_net = get_model(name='resnet50_v2', ctx=mx.cpu(),
                               pretrained=True, classes=1000)
    pretrained_net.cast('float16')
    
    net = get_model(name='resnet50_v2', ctx=mx.cpu(),
                    pretrained=False, classes=101)
    net.collect_params().initialize(mx.init.Xavier(magnitude=2.24), ctx=mx.cpu())
    net.features = pretrained_net.features
    net.cast('float16')

2使用Symbolic API在float16中训练网络  
涉及以下步骤。

在网络的开头添加一个图层，将数据转换为float16。这将确保在float16中计算所有以下层。  
建议在softmax之前将层的输出转换为float32，以便softmax计算在float32中完成。这是因为softmax涉及大幅减少，并且有助于将其保留在float32中以获得更精确的答案。  
建议使用优化器的多精度模式进行更精确的重量更新。  
以下是创建优化器时如何启用此模式。  
optimizer = mx.optimizer.create('sgd', multi\_precision=True, lr=0.01)  
1  
示例

data = mx.sym.Variable(name="data")
    
    if dtype == 'float16':
        data = mx.sym.Cast(data=data, dtype=np.float16)
    
    # ... the rest of the network
    net_out = net(data)
    
    if dtype == 'float16':
        net_out = mx.sym.Cast(data=net_out, dtype=np.float32)
    
    output = mx.sym.SoftmaxOutput(data=net_out, name='softmax')

http://mxnet.incubator.apache.org/versions/master/faq/float16.html?highlight=distributed training  
加速安装  
pip install mxnet-cu80 -i https://pypi.tuna.tsinghua.edu.cn/simple/

MXNet分布式训练  
https://github.com/MaJun-cn/DistributedTraining\_inMXNet  
https://github.com/apache/incubator-mxnet/tree/master/example/distributed\_training

conda清理没用的安装包

conda clean -p      //删除没有用的包  
conda clean -t      //tar打包  
conda clean -y -all //删除所有的安装包及cache  
1  
2  
3  
pytorch 分布式训练  
————————————————  
版权声明：本文为CSDN博主「SoftGit」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/fengzhongluoleidehua/article/details/95056696