PyTorch 2.0 实操，模型训练提速！

PyTorch 2.0 官宣了一个重要特性 —— torch.compile，这一特性将 PyTorch 的性能推向了新的高度，并将 PyTorch 的部分内容从 C++ 移回 Python。torch.compile 是一个完全附加的（可选的）特性，因此 PyTorch 2.0 是 100% 向后兼容的。

支撑 torch.compile 的技术包括研发团队新推出的 TorchDynamo、AOTAutograd、PrimTorch 和 TorchInductor。

• TorchDynamo：使用 Python Frame Evaluation Hooks 安全地捕获 PyTorch 程序，这项重大创新是 PyTorch 过去 5 年来在安全图结构捕获方面的研发成果汇总；
• AOTAutograd：重载 PyTorch 的 autograd 引擎，作为一个跟踪 autodiff，用于生成 ahead-of-time 向后跟踪；
• PrimTorch：将约 2000 多个 PyTorch 算子归纳为一组约 250 个原始算子的闭集，开发人员可以将其作为构建完整 PyTorch 后端的目标。这大大降低了编写 PyTorch 功能或后端的流程；
• TorchInductor：是一种深度学习编译器，可为多个加速器和后端生成快速代码。对于 NVIDIA GPU，它使用 OpenAI Triton 作为关键构建块。

TorchDynamo、AOTAutograd、PrimTorch 和 TorchInductor 是用 Python 编写的，并支持 dynamic shapes（无需重新编译就能发送不同大小的向量），这使得它们具备灵活、易于破解的特性，降低了开发人员和供应商的使用门槛。

为了验证这些技术，研发团队在机器学习领域测试了 163 个开源模型，包括图像分类、目标检测、图像生成等、NLP 任务，如语言建模、问答、序列分类、推荐系统和强化学习任务，测试模型主要有 3 个来源：

• 46 个来自 HuggingFace Transformers 的模型；
• 来自 TIMM 的 61 个模型：由 Ross Wightman 收集的SOTA PyTorch 图像模型；
• 来自 TorchBench 的 56 个模型：包含来自 Github 上收集的一组流行代码库。

对于开源模型，PyTorch 官方没有进行修改，只是增加了一个 torch.compile 调用来进行封装

接下来 PyTorch 工程师在这些模型中测量速度并验证精度，由于加速可能取决于数据类型，因此研究团队选择测量 Float32 和自动混合精度 (AMP) 的加速。

在 163 个开源模型中，该团队发现使用 2.0 可以将训练速度提高 38-76%。torch.compile 在 93% 的情况下都有效，模型在 NVIDIA A100 GPU 上的训练速度提高了 43%。在 Float32 精度下，它的平均运行速度提高了 21%，而在 AMP 精度下，它的运行速度平均提高了 51%。

目前，torch.compile 还处于早期开发阶段，预计 2023 年 3 月上旬将发布第一个稳定的 2.0 版本。

PyTorch 的开发理念自始至终都是灵活性和 hackability 第一，性能则是第二，致力于：

1. 高性能的 eager execution

2. 不断 Python 化内部结构

3. 分布式、自动比较、数据加载、加速器等的良好抽

PyTorch 自 2017 年面世以来，硬件加速器（如 GPU）的计算速度提高了约 15倍，内存访问速度提高了约 2 倍。

为了保持高性能的 eager execution，PyTorch 内部的大部分内容不得不转移到 C++ 中，这使得 PyTorch hackability 下降，也增加了开发者参与代码贡献的门槛。

从第一天起，PyTorch 官方就意识到了 eager execution 的性能局限。2017 年 7 月，官方开始致力于为 PyTorch 开发一个编译器。该编译器需要在不牺牲 PyTorch 体验的前提下，加速 PyTorch 程序的运行，其关键标准是保持某种程度上的灵活性 (flexibility)：支持开发者广泛使用的 dynamic shapes 以及 dynamic programs。

开发者 Sylvain Gugger 表示：“只需添加一行代码，PyTorch 2.0 就能在训练 Transformers 模型时实现 1.5 倍到 2.0 倍的速度提升。这是自混合精度训练问世以来最令人兴奋的事情！”

在研究支持 PyTorch 代码通用性的必要条件时，一个关键要求是支持动态形状，并允许模型接受不同大小的张量，而不会在每次形状变化时引起重新编译。

目前为止，对动态形状的支持有限，并且正在进行中。它将在稳定版本中具有完整的功能。

在不支持动态形状的情况下，常见的解决方法是将其填充到最接近的 2 次方。然而，正如我们从下面的图表中所看到的，它产生了大量的性能开销，同时也带来了明显更长的编译时间。

现在，有了对动态形状的支持，PyTorch 2.0 也就获得了比 Eager 高出了最多 40% 的性能。

简而言之，就是 PyTorch 2.0 stable 版本预计明年 3 月发布，PyTorch 2.0 在保留原有优势的同时，大力支持编译，torch.compile 为可选功能，只需一行代码即可运行编译，还有 4 项重要技术：TorchDynamo、AOTAutograd、PrimTorch 以及 TorchInductor，PyTorch 1.x 代码无需向 2.0 迁移，更多用户体验以及Q&A，大家可以查看下方链接中原文

参考链接

https://pytorch.org/get-started/pytorch-2.0/

PyTorch 2.0 通过简单一行 torch.compile() 就可以使模型训练速度提高 30%-200%，本教程将演示如何真实复现这种提速。

torch.compile() 可以轻松地尝试不同的编译器后端，进而加速 PyTorch 代码的运行。它作为 torch.jit.script() 的直接替代品，可以直接在 nn.Module 上运行，无需修改源代码。

torch.compile 支持任意的 PyTorch 代码、control flow、mutation，并一定程度上支持 dynamic shapes。

通过对 163 个开源模型进行测试，我们发现 torch.compile() 可以带来 30%-200% 的加速。

opt_module = torch.compile(module)

测试结果详见：

https://github.com/pytorch/torchdynamo/issues/681

本教程将演示如何利用 torch.compile() 为模型训练提速。

要求及设置

对于 GPU 而言（越新的 GPU 性能提升越突出）：

pip3 install numpy --pre torch[dynamo] --force-reinstall --extra-index-url https://download.pytorch.org/whl/nightly/cu117

对于 CPU 而言：

pip3 install --pre torch --extra-index-url https://download.pytorch.org/whl/nightly/cpu

可选：验证安装

git clone https://github.com/pytorch/pytorch

cd tools/dynamo

python verify_dynamo.py

可选：Docker 安装

在 PyTorch 的 Nightly Binaries 文件中提供了所有必要的依赖项，可以通过以下方式下载：

docker pull ghcr.io/pytorch/pytorch-nightly

对于临时测试 (ad hoc experiment)，只需确保容器能够访问所有 GPU 即可：

docker run --gpus all -it ghcr.io/pytorch/pytorch-nightly:latest /bin/bash

开始

简单示例

先来看一个简单示例，注意，GPU 越新速度提升越明显。

这个例子实际上不会提升速度，但是可以抛砖引玉。

该示例中，torch.cos() 和 torch.sin() 是逐点运算 (pointwise ops) 的例子，他们可以在向量上逐一操作 element，一个更著名的逐点运算是 torch.relu()。

eager mode 下的逐点运算并不是最优解，因为每个算子都需要从内存中读取一个张量、做一些更改，然后再写回这些更改。

PyTorch 2.0 最重要的一项优化是融合 (fusion)。

因此，该例中就可以把 2 次读和 2 次写变成 1 次读和 1 次写，这对较新的 GPU 来说是至关重要的，因为这些 GPU 的瓶颈是内存带宽（能多快地把数据发送到 GPU）而不是计算（GPU 能多快地进行浮点运算）。

PyTorch 2.0 第二个重要优化是 CUDA graphs。

CUDA graphs 有助于消除从 Python 程序中启动单个内核的开销。

torch.compile() 支持许多不同的后端，其中最值得关注的是 Inductor，它可以生成 Triton 内核。

https://github.com/openai/triton

这些内核是用 Python 写的，但却优于绝大多数手写的 CUDA 内核。假设上面的例子叫做 trig.py，实际上可以通过运行来检查生成 triton 内核的代码。

以上代码可知：两个 sins 确实发生了融合，因为两个 sin 算子发生在一个 Triton 内核中，而且临时变量被保存在 register 中，访问速度非常快。

真实模型示例

以 PyTorch Hub 中的 resnet50 为例：

实际运行中会发现，第一次运行速度很慢，这是因为模型正在被编译。随后的运行速度会加快，所以在开始基准测试之前，通常的做法是对模型进行 warm up。

可以看到，这里我们用「inductor」表示编译器名称，但它不是唯一可用的后端，可以在 REPL 中运行 torch._dynamo.list_backends() 来查看可用后端的完整列表。

也可以试试 aot_cudagraphs 或 nvfuser

Hugging Face 模型示例

PyTorch 社区经常使用 transformers 或 TIMM 的预训练模型：

https://github.com/huggingface/transformers

https://github.com/rwightman/pytorch-image-models

PyTorch 2.0 的设计目标之一，就是任意编译栈，都需要在实际运行的绝大多数模型中，开箱即用。

这里我们直接从 HuggingFace hub 下载一个预训练的模型，并进行优化：

如果从模型中删除 to(device="cuda:0") 和 encoded_input ，PyTorch 2.0 将生成为在 CPU 上运行优化的 C++ 内核。

可以检查 BERT 的 Triton 或 C++ 内核，它们显然比上面的三角函数的例子更复杂。但如果你了解 PyTorch 可以略过。

同样的代码与以下一起使用，仍旧可以得到更好的效果：

* https://github.com/huggingface/accelerate

* DDP

同样的，试试 TIMM 的例子：

PyTorch 的目标是建立一个能适配更多模型的编译器，为绝大多数开源模型的运行提速，现在就访问 HuggingFace Hub，用 PyTorch 2.0 为 TIMM 模型加速吧！

https://huggingface.co/timm

原文地址

https://blog.csdn.net/HyperAI/article/details/128257201