梯度累加(Gradient Accumulation)

  我们在训练神经网络的时候,超参数batch size的大小会对最终的模型效果产生很大的影响。一定条件下,batch size设置的越大,模型就会越稳定。batch size的值通常设置在 8-32 之间,但是当我们做一些计算量需求大的任务(例如语义分割、GAN等)或者输入图片尺寸太大的时候,我们的batch size往往只能设置为2或者4,否则就会出现 “CUDA OUT OF MEMORY” 的不可抗力报错。

  贫穷是促进人类进步的阶梯,如何在有限的计算资源的条件下,训练时采用更大的batch size呢?这就是梯度累加(Gradient Accumulation)技术了。

  我们以Pytorch为例,一个神经网络的训练过程通常如下:

 

    for i, (inputs, labels) in enumerate(trainloader):
        optimizer.zero_grad()                   # 梯度清零
        outputs = net(inputs)                   # 正向传播
        loss = criterion(outputs, labels)       # 计算损失
        loss.backward()                         # 反向传播,计算梯度
        optimizer.step()                        # 更新参数
        if (i+1) % evaluation_steps == 0:
            evaluate_model()

  

  从代码中可以很清楚地看到神经网络是如何做到训练的:
1.将前一个batch计算之后的网络梯度清零
2.正向传播,将数据传入网络,得到预测结果
3.根据预测结果与label,计算损失值
4.利用损失进行反向传播,计算参数梯度
5.利用计算的参数梯度更新网络参数

  下面来看梯度累加是如何做的:

 

    for i, (inputs, labels) in enumerate(trainloader):
        outputs = net(inputs)                   # 正向传播
        loss = criterion(outputs, labels)       # 计算损失函数
        loss = loss / accumulation_steps        # 损失标准化
        loss.backward()                         # 反向传播,计算梯度
        if (i+1) % accumulation_steps == 0:
            optimizer.step()                    # 更新参数
            optimizer.zero_grad()               # 梯度清零
            if (i+1) % evaluation_steps == 0:
                evaluate_model()

  


1.正向传播,将数据传入网络,得到预测结果
2.根据预测结果与label,计算损失值
3.利用损失进行反向传播,计算参数梯度
4.重复1-3,不清空梯度,而是将梯度累加
5.梯度累加达到固定次数之后,更新参数,然后将梯度清零

  总结来讲,梯度累加就是每计算一个batch的梯度,不进行清零,而是做梯度的累加,当累加到一定的次数之后,再更新网络参数,然后将梯度清零。

  通过这种参数延迟更新的手段,可以实现与采用大batch size相近的效果。在平时的实验过程中,我一般会采用梯度累加技术,大多数情况下,采用梯度累加训练的模型效果,要比采用小batch size训练的模型效果要好很多。

参考资料

1.Loss Normalization
2.Model.zero_grad() or optimizer.zero_grad()?
3.A trick to use bigger batches for training: gradient accumulation
4.PyTorch中在反向传播前为什么要手动将梯度清零?
5.Training Neural Nets on Larger Batches: Practical Tips for 1-GPU, Multi-GPU & Distributed setups

 

原文链接:https://cowarder.site/2019/10/29/Gradient-Accumulation/


使用PyTorch实现梯度累加变相扩大batch

PyTorch中在反向传播前为什么要手动将梯度清零? - Pascal的回答 - 知乎
https://www.zhihu.com/question/303070254/answer/573037166

这种模式可以让梯度玩出更多花样,比如说梯度累加(gradient accumulation)

传统的训练函数,一个batch是这么训练的:

for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)
 
    # 2. backward
    optimizer.zero_grad()   # reset gradient
    loss.backward()
    optimizer.step()

  

   

  1. 简单的说就是进来一个batch的数据,计算一次梯度,更新一次网络获取loss:输入图像和标签,通过infer计算得到预测值,计算损失函数;
  2. optimizer.zero_grad()清空过往梯度;
  3. loss.backward()反向传播,计算当前梯度
  4. optimizer.step()根据梯度更新网络参数

使用梯度累加是这么写的:

 
for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)
 
    # 2.1 loss regularization
    loss = loss/accumulation_steps
    # 2.2 back propagation
    loss.backward()
 
    # 3. update parameters of net
    if((i+1)%accumulation_steps)==0:
        # optimizer the net
        optimizer.step()        # update parameters of net
        optimizer.zero_grad()   # reset gradient

  


  1. 总结来说:梯度累加就是,每次获取1个batch的数据,计算1次梯度,梯度不清空,不断累加,累加一定次数后,根据累加的梯度更新网络参数,然后清空梯度,进行下一次循环。
    获取loss:输入图像和标签,通过infer计算得到预测值,计算损失函数;
  2. loss.backward() 反向传播,计算当前梯度
  3. 多次循环步骤1-2,不清空梯度,使梯度累加在已有梯度上;
  4. 梯度累加了一定次数后,先 optimizer.step() 根据累计的梯度更新网络参数,然后 optimizer.zero_grad() 清空过往梯度,为下一波梯度累加做准备;

一定条件下,batchsize越大训练效果越好,梯度累加则实现了batchsize的变相扩大,如果 accumulation_steps 为8,则batchsize '变相' 扩大了8倍,是我们这种乞丐实验室解决显存受限的一个不错的trick,使用时需要注意,学习率也要适当放大。

更新1:关于BN是否有影响,之前有人是这么说的:

As far as I know, batch norm statistics get updated on each forward pass, so no problem if you don't do .backward() every time.

BN的估算是在forward阶段就已经完成的,并不冲突,只是 accumulation_steps=8 和真实的batchsize放大八倍相比,效果自然是差一些,毕竟八倍Batchsize的BN估算出来的均值和方差肯定更精准一些。

更新2:根据李韶华的分享,可以适当调低BN自己的momentum参数:

bn自己有个momentum参数:x_new_running = (1 - momentum) * x_running + momentum * x_new_observed. momentum越接近0,老的running stats记得越久,所以可以得到更长序列的统计信息

我简单看了下PyTorch 1.0的源码:https://github.com/pytorch/pytorch/blob/162ad945902e8fc9420cbd0ed432252bd7de673a/torch/nn/modules/batchnorm.py#L24,BN类里面momentum这个属性默认为0.1,可以尝试调节下。

借助梯度累加,避免同时计算多个损失时存储多个计算图

PyTorch中在反向传播前为什么要手动将梯度清零? - Forever123的回答 - 知乎
https://www.zhihu.com/question/303070254/answer/608153308

原因在于在PyTorch中,计算得到的梯度值会进行累加。

而这样的好处可以从内存消耗的角度来看。

1. Edition1

在PyTorch中,multi-task任务一个标准的train from scratch流程为:

 
for idx, data in enumerate(train_loader):
    xs, ys = data
    pred1 = model1(xs)
    pred2 = model2(xs)
 
    loss1 = loss_fn1(pred1, ys)
    loss2 = loss_fn2(pred2, ys)
 
    ******
    loss = loss1 + loss2
    optmizer.zero_grad()
    loss.backward()
    ++++++
    optmizer.step()

  


上述代码执行到 ****** 时,内存中是包含了两张计算图的,而随着求和得到loss,这两张图进行了合并,而且大小的变化可以忽略。从PyTorch的设计原理上来说,在每次进行前向计算得到pred时,会产生一个**用于梯度回传的计算图,这张图储存了进行back propagation需要的中间结果,当调用了 ****.backward()** 后,会从内存中将这张图进行释放。

  • 执行到 ++++++ 时,得到对应的grad值并且释放内存。这样,训练时必须存储两张计算图,而如果loss的来源组成更加复杂,内存消耗会更大。

2. Edition2

为了减小每次的内存消耗,借助梯度累加,又有梯度累加(Gradient Accumulation),有如下变种。

 
for idx, data in enumerate(train_loader):
    xs, ys = data
 
    optmizer.zero_grad()
 
    # 计算d(l1)/d(x)
    pred1 = model1(xs) #生成graph1
    loss = loss_fn1(pred1, ys)
    loss.backward()  #释放graph1
 
    # 计算d(l2)/d(x)
    pred2 = model2(xs)#生成graph2
    loss2 = loss_fn2(pred2, ys)
    loss.backward()  #释放graph2
 
    # 使用d(l1)/d(x)+d(l2)/d(x)进行优化
    optmizer.step()

  


3. Other可以从代码中看出,利用梯度累加,可以在最多保存一张计算图的情况下进行multi-task任务的训练。

另外一个理由就是在内存大小不够的情况下叠加多个batch的grad作为一个大batch进行迭代,因为二者得到的梯度是等价的。

综上可知,这种梯度累加的思路是对内存的极大友好,是由FAIR的设计理念出发的。

相关链接

本文作者:lart

本文链接:https://www.cnblogs.com/lart/p/11628696.html

版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 *许可协议进行许可。

知识无价。对于有用的知识,请为后来者指明出处。

 

上一篇:pytorch打印当前学习率


下一篇:TensorFlow的梯度优化的两种方式(minimize或apply_gradients函数)