作者：bindog

地址：http://bindog.github.io/

01

背景

前幾天看到知乎上的文章FLOPs與模型推理速度[1]，文中提到一個比較耗時又占顯存的pointwise操作x * sigmoid(x)，這實際上是swish activation[2]；暫且不提它背后的爭議，本文主要想從這個結構入手來優化它的顯存占用以及耗時，并討論更廣泛的訓練時顯存優化技術。

02

反向傳播是如何工作的？

要分析清楚swish activation為什么會比較占顯存，我們首先需要搞清楚反向傳播是如何工作的，或者更進一步說，現有的自動求導框架是如何求出梯度的。先明確一點，所謂自動求導框架實際上是“半自動”的：它并非直接求出一個復雜函數導數的解析形式，而是通過構建計算圖和預先寫好的基礎函數的求導規則，結合鏈式求導法則實現的自動求導。以swish acivation為例進行說明，其表達式為f(x) = x * sigmoid(x)，通過簡單的數學推導得到其梯度的解析式為f'(x) = sigmoid(x) + x * sigmoid(x) * (1 - sigmoid(x))；先把這個結果放一邊，看看自動求導框架是如何一步步求出這個結果的，畫出計算圖如下：除了計算圖以外，我們還需要定義幾個基本函數的求導規則，在這個例子里涉及兩個函數，一個是乘法，另一個是sigmoid函數(實際上sigmoid也是由幾個基本函數構成的，這里我們將其視為一個整體)f(x, y) = x * y# gradient for x: y# gradient for y: xg(x) = sigmoid(x) # 1 / (1 + exp(-x))# gradient for x: sigmoid(x) * (1 - sigmoid(x))

03

顯存被誰吃掉了

先說一個結論，在絕大多數神經網絡的訓練過程中，顯存占用的大頭是中間結果，也就是所謂的“特征圖”。那我們為什么要保留中間結果呢？當然是為了方便求導啊！還是以swish acivation為例，把它放入神經網絡來看，x就是前一層輸出的中間結果(特征圖)

• 在適用乘法的求導規則時，要求我們要事先保留下中間結果x和sigmoid(x)，有人可能會說只保留一個x不就可以了嗎？sigmoid(x)可以通過計算得出，注意框架定義的乘法及其求導規則是通用規則，乘法的左右兩邊完全可能是不相關的兩個值，所以必須同時保留下來。
• 在對sigmoid函數適用求導規則時，需要存下中間結果x。

在不考慮框架自身優化的情況下，顯存占用就包括了兩個x和一個sigmoid(x)，注意x可不是一個單獨的數值，而是類似32x32x128這樣大小的特征圖，考慮到swish acivation在網絡中數量龐大，每出現一次就意味著巨大的顯存浪費。

04

手動合并OP

那么有沒有辦法優化呢？當然是可以的，既然我們能用數學公式提前算出swish acivation的梯度，那么直接將其視為一個整體不就好了？無非就是定義一個新的函數和新的求導規則

swish(x) = x * sigmoid(x)# gradient for x: sigmoid(x) + x * sigmoid(x) * (1 - sigmoid(x))

這樣一來，計算圖變成了下面這個樣子：

x的梯度可以直接根據新的規則求出，而在新的規則下，我們只需要保留x這一個中間結果即可，sigmoid(x)可以根據x求出。所以說，自動求導框架雖然省事，但是其缺陷也很明顯，由于大部分求導規則是面向通用的函數，很難針對特定的場景進行自動優化而導致顯存浪費。對swish acivation這樣的函數，只能依靠工程師的經驗手動的進行優化。需要指出的是，現有的一些框架如TVM和TensorRT也能自動的對某些算子進行融合，進而大大提高計算效率，降低顯存消耗，但是這些都屬于部署階段了，而本文討論的均為訓練階段。類似的優化案例還有inplace-abn[3]，針對的是類似BN-ReLU-Conv這樣的常見結構組合，如下所示

圖中的虛線框是需要保留的中間結果，inplace-abn的優化思路是只保留中間結果z，通過反推得到x，然而眾所周知ReLU是不可逆的運算，因此inplace-abn將其替換為了Leaky ReLU，計算圖變成了如下形式：

接下來的事情就是用數學的方式手動求出導數，然后定義成規則即可。

對II型，更進一步，直接用的反函數，進行替換即可

雖然推導過程有些復雜，但寫出求導公式后，我們只需要將其封裝進手寫的模塊中即可。原論文[4]中的實現表明，采用Inplace-abn后，顯存占用最高可下降50%左右，而且由于Leaky ReLU實際效果其實與ReLU非常接近，省下來的顯存可以用于提高batch_size，模型訓練實際上能從中得到更大收益。

05

還能更進一步嗎？

回想前面的優化過程，我們發現其實這是一種典型的時間換空間的做法，雖然模型占用的顯存下降了(舍棄了大量中間結果)，但是我們定義的求導規則非常復雜，計算步驟明顯多于優化前，其根本原因并非是不需要中間結果，而是有辦法在求導過程中實時的計算出之前被舍棄掉的中間結果。考慮GPU上顯存資源與計算資源的關系，只用較少的計算量和額外的一點計算時間換取寶貴的顯存資源，這么做實際上是劃算的。如果沿著這個思路更進一步，所有的中間結果都不需要存儲了，只需要存最初的輸入即可，因為所有的中間結果都可以由輸入重新計算得到，然而這個方案顯然是不劃算的，因為反向傳播的過程是“由深入淺”，而計算中間結果的過程是“由淺入深”，二者的方向并不匹配，每當我們需要中間結果時就需要從頭再來一遍，這樣的計算和時間開銷顯然是不劃算的。如果折中一下呢？這就是OpenAI提出的gradient-checkpoint的思路，在神經網絡中間設置若干個檢查點(checkpoint)，檢查點以外的中間結果全部舍棄，反向傳播求導數的時間，需要某個中間結果時，從最近的檢查點開始計算，這樣既節省了顯存，又避免了從頭計算的繁瑣過程；從代碼層面來看，原版實現[5]用的是tensorflow，由于是靜態圖的緣故，需要用到grapheditor等一系列騷操作，而且包含了很多“智能”尋找bottleneck選擇為checkpoint的代碼，很容易勸退新人。但是如果看一下pytorch的官方實現[6]，你會驚訝的發現gradient-checkpoint的核心部分出奇的簡單，這也算是動態圖以及pytorch的一點小優勢吧，當然pytorch版本的實現并不包括智能尋找checkpoint點的功能，需要人為設定。核心代碼如下所示：class CheckpointFunction(torch.autograd.Function): @staticmethod def forward(ctx, run_function, preserve_rng_state, *args): check_backward_validity(args) ctx.run_function = run_function ctx.preserve_rng_state = preserve_rng_state if preserve_rng_state: ctx.fwd_cpu_state = torch.get_rng_state() # Don't eagerly initialize the cuda context by accident. # (If the user intends that the context is initialized later, within their # run_function, we SHOULD actually stash the cuda state here. Unfortunately, # we have no way to anticipate this will happen before we run the function.) ctx.had_cuda_in_fwd = False if torch.cuda._initialized: ctx.had_cuda_in_fwd = True ctx.fwd_gpu_devices, ctx.fwd_gpu_states = get_device_states(*args) ctx.save_for_backward(*args) with torch.no_grad(): outputs = run_function(*args) return outputs @staticmethod def backward(ctx, *args): if not torch.autograd._is_checkpoint_valid(): raise RuntimeError("Checkpointing is not compatible with .grad(), please use .backward() if possible") inputs = ctx.saved_tensors # Stash the surrounding rng state, and mimic the state that was # present at this time during forward. Restore the surrounding state # when we're done. rng_devices = [] if ctx.preserve_rng_state and ctx.had_cuda_in_fwd: rng_devices = ctx.fwd_gpu_devices with torch.random.fork_rng(devices=rng_devices, enabled=ctx.preserve_rng_state): if ctx.preserve_rng_state: torch.set_rng_state(ctx.fwd_cpu_state) if ctx.had_cuda_in_fwd: set_device_states(ctx.fwd_gpu_devices, ctx.fwd_gpu_states) detached_inputs = detach_variable(inputs) with torch.enable_grad(): outputs = ctx.run_function(*detached_inputs) if isinstance(outputs, torch.Tensor): outputs = (outputs,) torch.autograd.backward(outputs, args) grads = tuple(inp.grad if isinstance(inp, torch.Tensor) else inp for inp in detached_inputs) return (None, None) + grads注意到最近曠視開源的MegEngine，在PR的時候提到一個亞線性顯存優化技術[7]，其實就是gradient-checkpoint技術，詳情可參考論文Training Deep Nets with Sublinear Memory Cost[8]，當然MegEngine肯定在細節上對其進行了一些優化，本文就不展開討論了。

06

CUDA版的swish activation

回到swish activation的優化上來，如果要追求效率的極致提升，下一步考慮的方案應該是手寫C++ extension，將計算從python層面轉移到C++與CUDA上。如何基于 pytorch寫C++擴展，官方文檔上有非常詳細的教程[9]，寫法和方式也都比較靈活，可以根據自己的習慣進行選擇，這里我們選擇利用setuptools的方式進行構建pytorch在用戶自定義擴展上也是做了非常多的支持，用戶能非常方便的使用pytorch底層定義好的一些類和函數；在寫CUDA函數時，pytorch還提供了一個CUDAApplyUtils.cuh頭文件，專門用于優化pointwise操作的情況，以減小拷貝和臨時存儲的顯存浪費(用于lambda函數，函數名非常直觀，CUDA_tensor_applyN表示操作數的個數，N可以為1,2,3,4，用戶還可以指定每個操作數的屬性，如只讀/讀寫，針對每對情形都有專門的優化實現)對于swish activation來說，由于全是pointwise操作，利用這個優化技巧可以把顯存占用進一步壓縮。具體代碼可參考swish_optimize[10]簡單對比一下以上幾種實現在實際場景中(單卡RTX 2070，resnet50, bs=32)的顯存占用情況和運行時間(一次forward & 一次backward & 參數更新)

• 無優化純Python：GPU memory=6383MB，time=223ms
• 合并算子(Python)：GPU memory=5139MB，time=234ms
• 合并算子(CUDA)：GPU memory=5143MB，time=188ms

從上述對比結果來看，結果基本符合前文的分析，純Python的實現下，顯存優化后的由于是時間換空間，所以顯存占用降低了，而時間稍有增加；在CUDA版本的優化下，一方面得益于C++的高效，另一方面得益于由于pointwise計算的優化，在顯存占用降低的同時，計算時間也大幅縮短外鏈地址：

[1] https://zhuanlan.zhihu.com/p/122943688

[2] https://arxiv.org/abs/1710.05941

[3] https://github.com/mapillary/inplace_abn

[4] https://arxiv.org/pdf/1712.02616.pdf

[5] https://github.com/cybertronai/gradient-checkpointing

[6] https://github.com/pytorch/pytorch/blob/176174a68ba2d36b9a5aaef0943421682ecc66d4/torch/utils/checkpoint.py#L55

[7] https://zhuanlan.zhihu.com/p/138730559

[8] https://arxiv.org/abs/1604.06174

[9] https://pytorch.org/tutorials/advanced/cpp_extension.html

[10] https://github.com/bindog/swish_optimize

本文目的在于學術交流，并不代表本公眾號贊同其觀點或對其內容真實性負責，版權歸原作者所有，如有侵權請告知刪除。

直播預告

歷史文章推薦

• 【CVPR 2020 Tutorial】如何寫好論文和評審(概述)

• 如何撰寫高水平的博士論文？超全論文指導！

• 北大讀博手記：怎樣完成自己的博士生涯？非常具有指導性！

• 太牛逼了！一位中國博士把整個CNN都給可視化了，每個細節看的清清楚楚！

• Nature發表牛津博士建議：我希望在讀博士之初時就能知道的20件事

• 沈向洋、華剛：讀科研論文的三個層次、四個階段與十個問題

• 如何看待2021年秋招算法崗灰飛煙滅？

• 獨家解讀 | ExprGAN：基于強度可控的表情編輯

• 獨家解讀 | 矩陣視角下的BP算法

• 獨家解讀 | Capsule Network深度解讀

• 獨家解讀 | Fisher信息度量下的對抗攻擊

• 論文解讀 | 知識圖譜最新研究綜述

• 你的畢業論文過了嗎？《如何撰寫畢業論文？》

• 卡爾曼濾波系列——經典卡爾曼濾波推導

分享、點贊、在看，給個三連擊唄！

總結

以上是生活随笔為你收集整理的tensorflow 显存 训练_【他山之石】训练时显存优化技术——OP合并与gradient checkpoint...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。