傳統(tǒng)上，深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用的是IEEE單精度格式，但借助混合精度，可采用半精度進(jìn)行訓(xùn)練，同時保持單精度的網(wǎng)絡(luò)精度。這種同時采用單精度和半精度表示的技術(shù)被稱為混合精度技術(shù)。

混合精度訓(xùn)練的優(yōu)勢

通過使用Tensor核心，可加速數(shù)學(xué)密集型運算，如線性和卷積層。

與單精度相比，通過訪問一半的字節(jié)來加速內(nèi)存受限的運算。

降低訓(xùn)練模型的內(nèi)存要求，支持更大規(guī)模的模型或更大規(guī)模的批量訓(xùn)練。

啟用混合精度包括兩個步驟：移植模型，以適時使用半精度數(shù)據(jù)類型；以及使用損耗定標(biāo)，以保留小梯度值。

僅通過添加幾行代碼，TensorFlow、PyTorch和MXNet中的自動混合精確功能就能助力深度學(xué)習(xí)研究人員和工程師基于NVIDIA Volta和Turing GPU實現(xiàn)高達(dá)3倍的AI訓(xùn)練加速。

將自動混合精度用于主流深度學(xué)習(xí)框架

TensorFlow

NVIDIA NGC容器注冊表中TensorFlow容器可提供自動混合精度功能。要在容器內(nèi)啟用此功能，只需設(shè)置一個環(huán)境變量：

export TF_ENABLE_AUTO_MIXED_PRECISION=1

或者，您也可以在TensorFlow Python腳本中設(shè)置環(huán)境變量：

os.environ['TF_ENABLE_AUTO_MIXED_PRECISION'] = '1'

自動混合精度使用單一環(huán)境變量，在TensorFlow內(nèi)部應(yīng)用這兩個步驟，并在必要時進(jìn)行更細(xì)粒度的控制。

PyTorch

GitHub的Apex存儲庫中提供了自動混合精度功能。可將以下兩行代碼添加至當(dāng)前訓(xùn)練腳本中以啟用該功能：

model, optimizer = amp.initialize(model, optimizer)

with amp.scale_loss(loss, optimizer) as scaled_loss:scaled_loss.backward()

MXNet

我們正在構(gòu)建適用于MXNet的自動混合精度功能。您可通過GitHub了解我們的工作進(jìn)展。可將以下代碼行添加至當(dāng)前訓(xùn)練腳本中以啟用該功能：

amp.init()amp.init_trainer(trainer)with amp.scale_loss(loss, trainer) as scaled_loss:autograd.backward(scaled_loss)