前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >使用FP8加速PyTorch训练的两种方法总结

使用FP8加速PyTorch训练的两种方法总结

作者头像
deephub
发布2024-06-03 20:00:05
2120
发布2024-06-03 20:00:05
举报
文章被收录于专栏:DeepHub IMBADeepHub IMBA

在PyTorch中,FP8(8-bit 浮点数)是一个较新的数据类型,用于实现高效的神经网络训练和推理。它主要被设计来降低模型运行时的内存占用,并加快计算速度,同时尽量保持训练和推理的准确性。虽然PyTorch官方在标准发布中尚未全面支持FP8,但是在2.2版本中PyTorch已经包含了对FP8的“有限支持”并且出现了2个新的变量类型,torch.float8_e4m3fntorch.float8_e5m2 ,而H100也支持这种类型,所以这篇文章我们就来介绍如何使用FP8来提高训练效率

模型架构

我们定义了一个Vision Transformer (ViT)支持的分类模型(使用流行的timm Python包版本0.9.10)以及一个随机生成的数据集。我们选择了ViT-Huge的有6.32亿个参数的最大的模型,这样可以演示FP8的效果。

代码语言:javascript
复制
 import torch, time
 import torch.optim
 import torch.utils.data
 import torch.distributed as dist
 from torch.nn.parallel.distributed import DistributedDataParallel as DDP
 import torch.multiprocessing as mp
 
 # modify batch size according to GPU memory
 batch_size = 64
 
 from timm.models.vision_transformer import VisionTransformer
 
 from torch.utils.data import Dataset
 
 
 # use random data
 class FakeDataset(Dataset):
     def __len__(self):
         return 1000000
 
     def __getitem__(self, index):
         rand_image = torch.randn([3, 224, 224], dtype=torch.float32)
         label = torch.tensor(data=[index % 1000], dtype=torch.int64)
         return rand_image, label
 
 
 def mp_fn(local_rank, *args):
     # configure process
     dist.init_process_group("nccl",
                             rank=local_rank,
                             world_size=torch.cuda.device_count())
     torch.cuda.set_device(local_rank)
     device = torch.cuda.current_device()
     
     # create dataset and dataloader
     train_set = FakeDataset()
     train_loader = torch.utils.data.DataLoader(
         train_set, batch_size=batch_size,
         num_workers=12, pin_memory=True)
 
     # define ViT-Huge model
     model = VisionTransformer(
             embed_dim=1280,
             depth=32,
             num_heads=16,
         ).cuda(device)
     model = DDP(model, device_ids=[local_rank])
 
     # define loss and optimizer
     criterion = torch.nn.CrossEntropyLoss()
     optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
 
     model.train()
 
     t0 = time.perf_counter()
     summ = 0
     count = 0
 
     for step, data in enumerate(train_loader):
         # copy data to GPU
         inputs = data[0].to(device=device, non_blocking=True)
         label = data[1].squeeze(-1).to(device=device, non_blocking=True)
   
         # use mixed precision to take advantage of bfloat16 support
         with torch.autocast(device_type='cuda', dtype=torch.bfloat16):
             outputs = model(inputs)
             loss = criterion(outputs, label)
         optimizer.zero_grad(set_to_none=True)
         loss.backward()
         optimizer.step()
         
         # capture step time
         batch_time = time.perf_counter() - t0
         if step > 10:  # skip first steps
             summ += batch_time
             count += 1
         t0 = time.perf_counter()
         if step > 50:
             break
     print(f'average step time: {summ/count}')
 
 
 if __name__ == '__main__':
     mp.spawn(mp_fn,
              args=(),
              nprocs=torch.cuda.device_count(),
              join=True)

Transformer Engine

PyTorch(版本2.1)不包括FP8的数据类型。所以我们需要通过第三方的库Transformer Engine (TE),这是一个用于在NVIDIA gpu上加速Transformer模型的专用库。

使用FP8要比16float16和bfloat16复杂得多。这里我们不用关心细节,因为TE都已经帮我们实现了,我们只要拿来用就可以了。

但是需要对我们上面的模型进行一些简单的修改,需要将transformer变为TE的专用transformer层

代码语言:javascript
复制
 import transformer_engine.pytorch as te
 from transformer_engine.common import recipe
 
 
 class TE_Block(te.transformer.TransformerLayer):
     def __init__(
             self,
             dim,
             num_heads,
             mlp_ratio=4.,
             qkv_bias=False,
             qk_norm=False,
             proj_drop=0.,
             attn_drop=0.,
             init_values=None,
             drop_path=0.,
             act_layer=None,
             norm_layer=None,
             mlp_layer=None
     ):
         super().__init__(
             hidden_size=dim,
             ffn_hidden_size=int(dim * mlp_ratio),
             num_attention_heads=num_heads,
             hidden_dropout=proj_drop,
             attention_dropout=attn_drop
             )

然后修改VisionTransformer初始化使用自定义层:

代码语言:javascript
复制
   model = VisionTransformer(
       embed_dim=1280,
       depth=32,
       num_heads=16,
       block_fn=TE_Block
       ).cuda(device)

最后一个修改是用te包裹模型前向传递。Fp8_autocast上下文管理器。此更改需要支持FP8的GPU:

代码语言:javascript
复制
 with torch.autocast(device_type='cuda', dtype=torch.bfloat16):
     with te.fp8_autocast(enabled=True):
         outputs = model(inputs)
     loss = criterion(outputs, label)

下面我们就可以测试结果:

可以看到,使用TE块提高了p4d(~19%)和p5(~32%)的性价比。使用FP8可将p5上的性能额外提高约20%。在TE和FP8优化之后,基于h100的p5.48large的性价比优于基于a100的p4d.24large 。并且训练速度提高了3倍。

Pytorch的原生FP8

在2.2版本后,pytorch原生FP8支持已经是“有限支持”了,所以我们可以先学习一下如何使用了。

代码语言:javascript
复制
 import torch
 from tabulate import tabulate
  
 f32_type = torch.float32
 bf16_type = torch.bfloat16
 e4m3_type = torch.float8_e4m3fn
 e5m2_type = torch.float8_e5m2
 
 # collect finfo for each type
 table = []
 for dtype in [f32_type, bf16_type, e4m3_type, e5m2_type]:
     numbits = 32 if dtype == f32_type else 16 if dtype == bf16_type else 8
     info = torch.finfo(dtype)
     table.append([info.dtype, numbits, info.max, 
                   info.min, info.smallest_normal, info.eps])
 
 headers = ['data type', 'bits', 'max', 'min', 'smallest normal', 'eps']
 print(tabulate(table, headers=headers))
  
 '''
 Output:
 
 data type      bits          max           min  smallest normal          eps
 -------------  ----  -----------  ------------  ---------------  -----------
 float32          32  3.40282e+38  -3.40282e+38      1.17549e-38  1.19209e-07
 bfloat16         16  3.38953e+38  -3.38953e+38      1.17549e-38    0.0078125
 float8_e4m3fn     8          448          -448         0.015625        0.125
 float8_e5m2       8        57344        -57344      6.10352e-05         0.25
 '''

我们可以通过在张量初始化函数中指定dtype来创建FP8张量,如下所示:

代码语言:javascript
复制
 device="cuda"
 e4m3 = torch.tensor(1., device=device, dtype=e4m3_type)
 e5m2 = torch.tensor(1., device=device, dtype=e5m2_type)

也可以强制转换为FP8。在下面的代码中,我们生成一个随机的浮点张量,并比较将它们转换为四种不同的浮点类型的结果:

代码语言:javascript
复制
 x = torch.randn(2, 2, device=device, dtype=f32_type)
 x_bf16 = x.to(bf16_type)
 x_e4m3 = x.to(e4m3_type)
 x_e5m2 = x.to(e5m2_type)
 
 print(tabulate([[‘float32’, *x.cpu().flatten().tolist()],
                 [‘bfloat16’, *x_bf16.cpu().flatten().tolist()],
                 [‘float8_e4m3fn’, *x_e4m3.cpu().flatten().tolist()],
                 [‘float8_e5m2’, *x_e5m2.cpu().flatten().tolist()]],
                headers=[‘data type’, ‘x1’, ‘x2’, ‘x3’, ‘x4’]))
 
 '''
 The sample output demonstrates the dynamic range of the different types:
 
 data type                  x1              x2              x3              x4
 -------------  --------------  --------------  --------------  --------------
 float32        2.073093891143  -0.78251332044  -0.47084918620  -1.32557279110
 bfloat16       2.078125        -0.78125        -0.4707031      -1.328125
 float8_e4m3fn  2.0             -0.8125         -0.46875        -1.375
 float8_e5m2    2.0             -0.75           -0.5            -1.25
 -------------  --------------  --------------  --------------  --------------
 '''

虽然创建FP8张量很容易,但FP8张量上执行一些基本的算术运算是不支持的。并且需要特定的函数,比如torch._scaled_mm来进行矩阵乘法。

代码语言:javascript
复制
 output, output_amax = torch._scaled_mm(
         torch.randn(16,16, device=device).to(e4m3_type),
         torch.randn(16,16, device=device).to(e4m3_type).t(),
         bias=torch.randn(16, device=device).to(bf16_type),
         out_dtype=e4m3_type,
         scale_a=torch.tensor(1.0, device=device),
         scale_b=torch.tensor(1.0, device=device)
     )

那么如何进行模型的训练呢,我们来做一个演示

代码语言:javascript
复制
 import torch
 from timm.models.vision_transformer import VisionTransformer
 from torch.utils.data import Dataset, DataLoader
 import os
 import time
 
 #float8 imports
 from float8_experimental import config
 from float8_experimental.float8_linear import Float8Linear
 from float8_experimental.float8_linear_utils import (
     swap_linear_with_float8_linear,
     sync_float8_amax_and_scale_history
 )
 
 #float8 configuration (see documentation)
 config.enable_amax_init = False
 config.enable_pre_and_post_forward = False
 
 # model configuration controls:
 fp8_type = True # toggle to change floating-point precision
 compile_model = True # toggle to enable model compilation
 batch_size = 32 if fp8_type else 16 # control batch size
  
 device = torch.device('cuda')
  
 # use random data
 class FakeDataset(Dataset):
     def __len__(self):
         return 1000000
     def __getitem__(self, index):
         rand_image = torch.randn([3, 256, 256], dtype=torch.float32)
         label = torch.tensor(data=[index % 1024], dtype=torch.int64)
         return rand_image, label
 
 # get data loader
 def get_data(batch_size):
     ds = FakeDataset()
     return DataLoader(
            ds,
            batch_size=batch_size, 
            num_workers=os.cpu_count(),
            pin_memory=True
          )
 
 # define the timm model
 def get_model():
     model = VisionTransformer(
         class_token=False,
         global_pool="avg",
         img_size=256,
         embed_dim=1280,
         num_classes=1024,
         depth=32,
         num_heads=16
     )
     if fp8_type:
         swap_linear_with_float8_linear(model, Float8Linear)
     return model
 
 # define the training step
 def train_step(inputs, label, model, optimizer, criterion):
     with torch.autocast(device_type='cuda', dtype=torch.bfloat16):
         outputs = model(inputs)
         loss = criterion(outputs, label)
     optimizer.zero_grad(set_to_none=True)
     loss.backward()
     if fp8_type:
         sync_float8_amax_and_scale_history(model)
     optimizer.step()
 
 
 model = get_model()
 optimizer = torch.optim.Adam(model.parameters())
 criterion = torch.nn.CrossEntropyLoss()
 train_loader = get_data(batch_size)
  
 # copy the model to the GPU
 model = model.to(device)
 if compile_model:
     # compile model
     model = torch.compile(model)
 model.train()
  
 t0 = time.perf_counter()
 summ = 0
 count = 0
  
 for step, data in enumerate(train_loader):
     # copy data to GPU
     inputs = data[0].to(device=device, non_blocking=True)
     label = data[1].squeeze(-1).to(device=device, non_blocking=True)
  
     # train step
     train_step(inputs, label, model, optimizer, criterion)
  
     # capture step time
     batch_time = time.perf_counter() - t0
     if step > 10:  # skip first steps
         summ += batch_time
         count += 1
     t0 = time.perf_counter()
     if step > 50:
         break
 
 print(f'average step time: {summ / count}')

这里需要特定的转换函数,将一些操作转换为支持FP8的版本,需要说明的是,因为还在试验阶段所以可能不稳定

FP8线性层的使用使我们的模型的性能比我们的基线实验提高了47%(!!)

对比TE

未编译的TE FP8模型的性能明显优于我们以前的FP8模型,但编译后的PyTorch FP8模型提供了最好的结果。因为TE FP8模块不支持模型编译。所以使用torch.compile会导致“部分编译”,即它在每次使用FP8时将计算分拆为多个图。

总结

在这篇文章中,我们演示了如何编写PyTorch训练脚本来使用8位浮点类型。TE是一个非常好的库,因为它可以让我们的代码修改量最小,而PyTorch原生FP8支持虽然需要修改代码,并且还是在试验阶段(最新的2.3还是在试验阶段),可能会产生问题,但是这会让训练速度更快。

不过总的来说FP8的确可以加快我们的训练速度,提高GPU的使用效率。这里要提一句TE是由NVIDIA开发的,并对其gpu进行了大量定制,所以如果是N卡的话可以直接用TE


本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2024-05-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DeepHub IMBA 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 模型架构
  • Transformer Engine
  • Pytorch的原生FP8
  • 总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档