面對數以億計的圖片數據，到底該用什么樣的方法才能快速搞實驗?
這樣的問題，或許在做機器學習研究的你，也會經常遇到。
而就在最近，一個國外小哥就提出了一種建議：
在 Pytorch lightning 基礎上，讓深度學習 pipeline 速度提升 10 倍!
用他自己的話來說就是 ——“爬樓時像給了你一個電梯”。
這般“酸爽”，到底是如何做到的呢?
優化機器學習 pipeline，很重要
無論你是身處學術界還是工業界，時間和資源等各種因素，往往會成為你在搞實驗的枷鎖。
尤其是隨著數據集規模和機器學習模型，變得越發龐大和復雜，讓實驗變得既費時又耗力。
提速這件事，就變得至關重要。
例如在 2012 年的時候，訓練一個 AlexNet，要花上 5 到 6 天的時間。
而現如今，只需要短短幾分鐘就可以在更大的數據集上訓練更大的圖像模型。
這位小哥認為，從某種角度上來說，這是得益于各種各樣的“利器”的出現。
例如 Pytorch Lingtning，就是其中一種。
于是，他便“死磕”pipeline，總結了六種“閃電加速”實驗周期的方法。
并行數據加載
數據加載和增強(augmentation)往往被認為是訓練 pipeline 時的瓶頸之一。
一個典型的數據 pipeline 包含以下步驟：
從磁盤加載數據
在運行過程中創建隨機增強
將每個樣本分批整理
在這個過程中，倒是可以用多個 CPU 進程并行加載數據來優化。
但與此同時，還可以通過下面的操作來加速這一過程：
1、將 DataLoader 中的 num_workers 參數設置為 CPU 的數量。
2、當與 GPU 一起工作時，將 DataLoader 中的 pin_memory 參數設置為 True。這可以將數據分配到頁鎖定的內存中，從而加快數據傳輸到 GPU 的速度。
使用分布式數據并行的多 GPU 訓練
與 CPU 相比，GPU 已經大大加速了訓練和推理時間。
但有沒有比一個 GPU 更好的方法?或許答案就是：
多個 GPU!
在 PyTorch 中，有幾種范式可以用多個 GPU 訓練你的模型。
兩個比較常見的范式是“DataParallel”和“DistributedDataParallel”。
而小哥采用的方法是后者，因為他認為這是一種更可擴展的方法。
但在 PyTorch(以及其他平臺)中修改訓練 pipeline 并非易事。
必須考慮以分布式方式加載數據以及權重、梯度和指標的同步等問題。
不過，有了 PyTorch Lightning，就可以非常容易地在多個 GPU 上訓練 PyTorch 模型，還是幾乎不需要修改代碼的那種!
混合精度
在默認情況下，輸入張量以及模型權重是以單精度(float32)定義的。
然而，某些數學運算可以用半精度(float16)進行。
這樣一來，就可以顯著提升速度，并降低了模型的內存帶寬，還不會犧牲模型的性能。
通過在 PyTorch Lightning 中設置混合精度標志(flag)，它會在可能的情況下自動使用半精度，而在其他地方保留單精度。
通過最小的代碼修改，模型訓練的速度可以提升 1.5 至 2 倍。
早停法
當我們訓練深度學習神經網絡的時候，通常希望能獲得最好的泛化性能。
但是所有的標準深度學習神經網絡結構，比如全連接多層感知機都很容易過擬合。
當網絡在訓練集上表現越來越好，錯誤率越來越低的時候，實際上在某一刻，它在測試集的表現已經開始變差。
因此，早停法 (Early Stopping)便在訓練過程中加入了進來。
具體來說，就是當驗證損失在預設的評估次數(在小哥的例子中是 10 次評估)后停止訓練。
這樣一來，不僅防止了過擬合的現象，而且還可以在幾十個 epoch 內找到最佳模型。
Sharded Training
Sharded Training 是基于微軟的 ZeRO 研究和 DeepSpeed 庫。
它顯著的效果，就是讓訓練大模型變得可擴展和容易。
否則，這些模型就不適合在單個 GPU 上使用了。
而在 Pytorch Lightning 的 1.2 版本中，便加入了對 Shared Training 的支持。
雖然在小哥的實驗過程中，并沒有看到訓練時間或內存占用方面有任何改善。
但他認為，這種方法在其它實驗中可能會提供幫助，尤其是在不使用單一 GPU 的大模型方面。
模型評估和推理中的優化
在模型評估和推理期間，梯度不需要用于模型的前向傳遞。
因此，可以將評估代碼包裹在一個 torch.no_grad 上下文管理器中。
這可以防止在前向傳遞過程中的存儲梯度，從而減少內存占用。
如此一來，就可以將更大的 batch 送入模型，讓評估和推理變得更快。
效果如何?
介紹了這么多，你肯定想知道上述這些方法，具體起到了怎樣的作用。
小哥為此做了一張表格，詳解了方法的加速效果。
那么這些方法，是否對在做機器學習實驗的你有所幫助呢?
快去試試吧~
參考鏈接：
https://devblog.pytorchlightning.ai/how-we-used-pytorch-lightning-to-make-our-deep-learning-pipeline-10x-faster-731bd7ad318a
