网站怎么设置为可信任网站,网站建设可行性及需求分析,网站建设公司厂,企业如何建自己的网站目录 一、环境准备1.进入ModelArts官网2.使用CodeLab体验Notebook实例 二、案例实现 梯度累加的训练算法#xff0c;目的是为了解决由于内存不足#xff0c;导致Batch size过大神经网络无法训练#xff0c;或者网络模型过大无法加载的OOM#xff08;Out Of Memory#xff… 目录 一、环境准备1.进入ModelArts官网2.使用CodeLab体验Notebook实例 二、案例实现 梯度累加的训练算法目的是为了解决由于内存不足导致Batch size过大神经网络无法训练或者网络模型过大无法加载的OOMOut Of Memory问题。 如果你对MindSpore感兴趣可以关注昇思MindSpore社区 一、环境准备
1.进入ModelArts官网
云平台帮助用户快速创建和部署模型管理全周期AI工作流选择下面的云平台以开始使用昇思MindSpore获取安装命令安装MindSpore2.0.0-alpha版本可以在昇思教程中进入ModelArts官网 选择下方CodeLab立即体验 等待环境搭建完成 2.使用CodeLab体验Notebook实例
下载NoteBook样例代码梯度累加 .ipynb为样例代码 选择ModelArts Upload Files上传.ipynb文件 选择Kernel环境 切换至GPU环境切换成第一个限时免费 进入昇思MindSpore官网点击上方的安装 获取安装命令 回到Notebook中在第一块代码前加入命令
conda update -n base -c defaults conda安装MindSpore 2.0 GPU版本
conda install mindspore2.0.0a0 -c mindspore -c conda-forge安装mindvision
pip install mindvision安装下载download
pip install download二、案例实现
基于MindSpore的函数式自动微分机制正向和反向执行完成后函数将返回与训练参数相对应的梯度。因此我们需要设计一个梯度累加类Accumulator对每一个Step产生的梯度值进行存储。下面是Accumulator的实现样例我们需要维护两份与模型可训练参数的Shape相同的内部属性分别为inner_grads和zeros。其中inner_grads用于存储累加的梯度值zeros用于参数优化更新后的清零。同时Accumulator内部维护了一个counter变量在每一次正反向执行完成后counter自增通过对counter取模的方式来判断是否达到累加步数。
import mindspore as ms
from mindspore import Tensor, Parameter, opsms.jit_class
class Accumulator():def __init__(self, optimizer, accumulate_step, clip_norm1.0):self.optimizer optimizerself.clip_norm clip_normself.inner_grads optimizer.parameters.clone(prefixaccumulate_, initzeros)self.zeros optimizer.parameters.clone(prefixzeros_, initzeros)self.counter Parameter(Tensor(1, ms.int32), counter_)assert accumulate_step 0self.accumulate_step accumulate_stepself.map ops.HyperMap()def __call__(self, grads):# 将单步获得的梯度累加至Accumulator的inner_gradsself.map(ops.partial(ops.assign_add), self.inner_grads, grads)if self.counter % self.accumulate_step 0:# 如果达到累加步数进行参数优化更新self.optimizer(self.inner_grads)# 完成参数优化更新后清零inner_gradsself.map(ops.partial(ops.assign), self.inner_grads, self.zeros)# 计算步数加一ops.assign_add(self.counter, Tensor(1, ms.int32))return True ms.jit_class为MindSpore即时编译修饰器可以将普通的Python类作为可编译计算图使用。 接下来我们使用快速入门中手写数字识别模型验证梯度累加的效果。
from mindspore import nn
from mindspore import value_and_grad
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDatasetfrom download import downloadurl https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/ \notebook/datasets/MNIST_Data.zip
path download(url, ./, kindzip, replaceTrue)def datapipe(path, batch_size):image_transforms [vision.Rescale(1.0 / 255.0, 0),vision.Normalize(mean(0.1307,), std(0.3081,)),vision.HWC2CHW()]label_transform transforms.TypeCast(ms.int32)dataset MnistDataset(path)dataset dataset.map(image_transforms, image)dataset dataset.map(label_transform, label)dataset dataset.batch(batch_size)return datasetclass Network(nn.Cell):def __init__(self):super().__init__()self.flatten nn.Flatten()self.dense_relu_sequential nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))def construct(self, x):x self.flatten(x)logits self.dense_relu_sequential(x)return logitsmodel Network() 假设我们在使用快速入门中配置的batch_size64会导致显存不足此时我们设置累加步数为2通过执行两次batch_size32进行梯度累加。
首先我们使用Accumulator传入实例化的optimizer并配置累加步数。然后定义正向计算函数forward_fn此时由于梯度累加的需要loss值需要进行相应的缩放。
accumulate_step 2loss_fn nn.CrossEntropyLoss()
optimizer nn.SGD(model.trainable_params(), 1e-2)
accumulator Accumulator(optimizer, accumulate_step)def forward_fn(data, label):logits model(data)loss loss_fn(logits, label)# loss除以累加步数accumulate_stepreturn loss / accumulate_step 接下来继续使用value_and_grad函数进行函数变换并构造单步训练函数train_step。此时我们使用实例化好的accumulator进行梯度累加由于optimizer作为accumulator的内部属性不需要单独执行。
grad_fn value_and_grad(forward_fn, None, model.trainable_params())ms.jit
def train_step(data, label):loss, grads grad_fn(data, label)accumulator(grads)return loss 接下来我们定义训练和评估逻辑进行训练验证。
def train_loop(model, dataset, loss_fn, optimizer):size dataset.get_dataset_size()model.set_train()for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):loss train_step(data, label)if batch % 100 0:loss, current loss.asnumpy(), batchprint(floss: {loss:7f} [{current:3d}/{size:3d}])
def test_loop(model, dataset, loss_fn):num_batches dataset.get_dataset_size()model.set_train(False)total, test_loss, correct 0, 0, 0for data, label in dataset.create_tuple_iterator():pred model(data)total len(data)test_loss loss_fn(pred, label).asnumpy()correct (pred.argmax(1) label).asnumpy().sum()test_loss / num_batchescorrect / totalprint(fTest: \n Accuracy: {(100*correct):0.1f}%, Avg loss: {test_loss:8f} \n) 接下来同样进行3个epoch的训练注意此时根据我们的假设数据集需要设置batch_size32每两步进行累加。
train_dataset datapipe(MNIST_Data/train, 32)
test_dataset datapipe(MNIST_Data/test, 32) 开始训练验证此时由于batch_size调小需要训练的step数增加至2倍。最终Accuracy验证结果与快速入门结果一致均为93.0%左右。
epochs 3
for t in range(epochs):print(fEpoch {t1}\n-------------------------------)train_loop(model, train_dataset, loss_fn, optimizer)test_loop(model, test_dataset, loss_fn)
print(Done!)
