mindspore.boost ============================== Boost能够自动加速网络，如减少BN/梯度冻结/累积梯度等。 .. note:: 此特性为测试版本，我们仍在改进其功能。 .. py:class:: mindspore.boost.AutoBoost(level="O0", boost_config_dict="") MindSpore自动优化算法库。 参数： - **level** (str) - Boost的配置级别，默认值："O0"。 - "O0"：不变化。 - "O1"：启用boost模式，性能将提升约20%，准确率保持不变。 - "O2"：启用boost模式，性能将提升约30%，准确率下降小于3%。 - **boost_config_dict** (dict) - 用户可配置的超参字典，建议的格式如下： .. code-block:: { "boost": { "mode": "auto", "less_bn": False, "grad_freeze": False, "adasum": False, "grad_accumulation": False, "dim_reduce": False}, "common": { "gradient_split_groups": [50, 100], "device_number": 8}, "less_bn": { "fn_flag": True, "gc_flag": True}, "grad_freeze": { "param_groups": 10, "freeze_type": 1, "freeze_p": 0.7, "total_steps": 65536}, "grad_accumulation": { "grad_accumulation_step": 1}, "dim_reduce": { "rho": 0.55, "gamma": 0.9, "alpha": 0.001, "sigma": 0.4, "n_components": 32, "pca_mat_path": None, "weight_load_dir": None, "timeout": 1800} } - boost： - mode (str)：Boost配置模式，支持 ["auto", "manual", "enable_all", "disable_all"]。默认值： "auto"。 - auto：自动配置，取决于Model类中的 `boost_level` 参数配置。 - manual：在 `boost_config_dict` 中人工配置。 - enable_all：开启所有boost算法。 - disable_all：关闭所有boost算法。 - less_bn (bool)：是否开启LessBN算法，默认：False - grad_freeze (bool)：是否开启梯度冻结算法，默认：False。 - adasum (bool)：是否开启自适应求和算法，默认：False。 - grad_accumulation (bool)：是否开启梯度累加算法，默认：False。 - dim_reduce (bool)：是否开启降维训练算法，默认：False。 如果开启dim_reduce算法，其他算法会失效。 如果开启grad_freeze算法，同时关闭dim_reduce，其他算法会失效。 - common： - gradient_split_groups (list)：网络的梯度分割点，默认：[50, 100]。 - device_number (int)：设备数，默认：8。 - less_bn： - fn_flag (bool)：是否采用fn替换fc，默认：替换。 - gc_flag (bool)：是否启用gc，默认：启用gc。 - grad_freeze： - param_groups (int)：参数分组数量，默认值：10。 - freeze_type (int)：梯度冻结策略，参数选择[0, 1]，默认值：1。 - freeze_p (float)：梯度冻结概率，默认值：0.7。 - total_steps (int)：总训练步数，默认值：65536。 - grad_accumulation： - grad_accumulation_step (int)：累加梯度的步数，默认值：1。 - dim_reduce： dim_reduce主要原理： .. math:: \begin{align} grad\_k &= pca\_mat \cdot grad\\ dk &= - bk \cdot grad\_k\\ sk &= rho ^ m \cdot dk\\ delta\_loss &= sigma \cdot grad\_k.T \cdot sk \end{align} 其中： - pca_mat (array)：维度(k*n)，k是 *n_components* 的大小，n是权重的大小。 - bk (array)：维度(k*k)，bk是拟牛顿法中的对称正定矩阵。 我们需要找到满足以下条件的m： .. math:: new\_loss < old\_loss + delta\_loss 然后使用 *delta_grad* 去更新模型的权重： .. math:: \begin{align} grad\_k\_proj &= pca\_mat.T \cdot grad\_k\\ new\_grad\_momentum &= gamma \cdot old\_grad\_momentum + grad - grad\_k\_proj\\ delta\_grad &= alpha \cdot new\_grad\_momentum - pca\_mat.T \cdot sk \end{align} - rho (float)：超参，一般无需调整，默认值：0.55。 - gamma (float)：超参，一般无需调整，默认值：0.9。 - alpha (float)：超参，一般无需调整，默认值：0.001。 - sigma (float)：超参，一般无需调整，默认值：0.4。 - n_components (int)：PCA后的维度，默认值：32。 - pca_mat_path (str)：PCA矩阵的加载路径，使用绝对路径，默认值：None。 - weight_load_dir (str)：以checkpoint形式保存的权重加载路径，用于计算PCA矩阵，默认值：None。 - timeout (int)：加载PCA矩阵的最长等待时间，默认值：1800(s)。 用户可以通过加载JSON文件或者直接使用字典来配置 *boost_config_dict*。 未配置的参数会使用默认值。 异常： - **ValueError** - Boost的模式不在["auto", "manual", "enable_all", "disable_all"]这个列表中。 .. py:method:: network_auto_process_eval(network) 使用Boost算法推理。 参数： - **network** (Cell) - 推理网络。 .. py:method:: network_auto_process_train(network, optimizer) 使用Boost算法训练。 参数： - **network** (Cell) - 训练网络。 - **optimizer** (Cell) - 用于更新权重的优化器。 .. py:class:: mindspore.boost.OptimizerProcess(opt) 处理Boost的优化器。目前支持给优化器添加梯度中心化和创建新的优化器。 参数： - **opt** (Cell) - 使用的优化器。 .. py:method:: add_grad_centralization(network) 添加梯度中心化。 参数： - **network** (Cell) - 训练网络。 .. py:method:: build_gc_params_group(params_dict, parameters) 构建梯度中心化的分组权重。 参数： - **params_dict** (dict) - 训练权重的字典。 - **parameters** (list) - 训练权重的列表。 .. py:method:: build_params_dict(network) 构建网络权重的字典。 参数： - **network** (Cell) - 训练网络。 .. py:method:: generate_new_optimizer() 生成新的优化器。 .. py:class:: mindspore.boost.ParameterProcess() 处理Boost网络的权重。当前支持创建分组参数和自动设置网络梯度切分点。 .. py:method:: assign_parameter_group(parameters, split_point=None) 设置分组权重。 参数： - **parameters** (list) - 训练网络的权重。 - **split_point** (list) - 网络梯度切分点。默认为None。 .. py:method:: generate_group_params(parameters, origin_params) 创建分组权重。 参数： - **parameters** (list) - 训练网络的新权重。 - **origin_params** (list) - 训练网络的初始权重。 .. py:class:: mindspore.boost.BoostTrainOneStepCell(network, optimizer, sens=1.0) Boost网络训练封装类。 用优化器封装网络。使用输入训练网络来获取结果。反向图在 *construct* 函数中创建，以更新参数，并且支持多种不同的并行模式。 参数： - **network** (Cell) - 训练网络，当前网络只支持单个输出。 - **optimizer** (Union[Cell]) - 用于更新网络参数的优化器。 - **sens** (numbers.Number) - 作为反向传播输入要填充的缩放数，默认值为1.0。 输入： - **(*inputs)** (Tuple(Tensor)) - 网络的所有输入组成的元组。 输出： Tuple，包含三个Tensor，分别为损失函数值、溢出状态和当前损失缩放系数。 - loss(Tensor)，标量Tensor。 - overflow(Tensor)，标量Tensor，类型为bool。 - loss scaling value(Tensor)，标量Tensor。 异常： - **TypeError** - 如果 `sens` 不是一个数字。 .. py:method:: adasum_process(loss, grads) 使用Adasum算法训练。 参数： - **loss** (Tensor) - 网络训练的loss值。 - **grads** (tuple(Tensor)) - 网络训练过程中的梯度。 返回： Tensor，网络训练过程中得到的loss值。 .. py:method:: check_adasum_enable() Adasum算法仅在多卡或者多机场景生效，并且要求卡数符合2的n次方，该函数用来判断adasum算法能否生效。 返回： enable_adasum (bool)，Adasum算法是否生效。 .. py:method:: check_dim_reduce_enable() 获取当前是否使用降维二阶训练算法训练。 返回： enable_dim_reduce (bool)，降维二阶训练算法是否生效。 .. py:method:: gradient_accumulation_process(loss, grads, sens, *inputs) 使用梯度累积算法训练。 参数： - **loss** (Tensor) - 网络训练的loss值。 - **grads** (tuple(Tensor)) - 网络训练过程中的梯度。 - **sens** (Tensor) - 作为反向传播输入要填充的缩放数。 - **inputs** (tuple(Tensor)) - 网络训练的输入。 返回： Tensor，网络训练过程中得到的loss值。 .. py:method:: gradient_freeze_process(*inputs) 使用梯度冻结算法训练。 参数： - **inputs** (tuple(Tensor)) - 网络训练的输入。 返回： Tensor，网络训练过程中得到的loss值。 .. py:class:: mindspore.boost.BoostTrainOneStepWithLossScaleCell(network, optimizer, scale_sense) 使用混合精度功能的Boost训练网络。 实现了包含损失缩放（loss scale）的单次训练。它使用网络、优化器和用于更新损失缩放系数（loss scale）的Cell(或一个Tensor)作为参数。可在host侧或device侧更新损失缩放系数。BoostTrainOneStepWithLossScaleCell会被编译成图，其中inputs作为输入数据。张量类型参数 `scale_sense` 作为损失缩放时使用的值。 如果需要在host侧更新，使用Tensor作为 `scale_sense` 。如果需要在device侧更新，使用可更新损失缩放系数的Cell实例作为 `scale_sense` 。 参数： - **network** (Cell) - 训练网络，当前网络只支持单个输出。 - **optimizer** (Cell) - 用于更新网络参数的优化器。 - **scale_sense** (Union[Tensor, Cell]) - 如果此值为Cell类型，`BoostTrainOneStepWithLossScaleCell` 会调用它来更新损失缩放系数。如果此值为Tensor类型，可调用 `set_sense_scale` 来更新损失缩放系数，shape为 :math:`()` 或 :math:`(1,)` 。 输入： - **(*inputs)** (Tuple(Tensor)) - 网络的所有输入组成的元组。 输出： Tuple，包含三个Tensor，分别为损失函数值、溢出状态和当前损失缩放系数。 - **loss** (Tensor) - 标量Tensor。 - **overflow** (Tensor) - 标量Tensor，类型为bool。 - **loss scaling value** (Tensor) - 标量Tensor。 异常： - **TypeError** - `scale_sense` 既不是Cell，也不是Tensor。 - **ValueError** - `scale_sense` 的shape既不是(1,)也不是()。 .. py:class:: mindspore.boost.LessBN(network, fn_flag=False) LessBN算法，可以在不损失网络精度的前提下，自动减少网络中批归一化（Batch Normalization）的数量，来提升网络性能。 参数： - **network** (Cell) - 待训练的网络模型。 - **fn_flag** (bool) - 是否将网络中最后一个全连接层替换为全归一化层。默认值：False。 .. py:class:: mindspore.boost.GradientFreeze(param_groups, freeze_type, freeze_p, total_steps) 梯度冻结算法，根据指定策略随机冻结某些层的梯度，来提升网络训练性能。 冻结的层数和冻结的概率均可由用户配置。 参数： - **param_groups** (Union[tuple, list]) - 梯度冻结训练的权重。 - **freeze_type** (int) - 梯度冻结训练的策略。 - **freeze_p** (float) - 梯度冻结训练的概率。 - **total_steps** (int) - 整个训练过程的总的步数。 .. py:method:: freeze_generate(network, optimizer) 生成梯度冻结的网络与优化器。 参数： - **network** (Cell) - 训练网络。 - **optimizer** (Cell) - 用于更新权重的优化器。 .. py:method:: generate_freeze_index_sequence(parameter_groups_number, freeze_strategy, freeze_p, total_steps) 生成梯度冻结每一步需要冻结的层数。 参数： - **parameter_groups_number** (int) - 梯度冻结训练的权重个数。 - **freeze_strategy** (int) - 梯度冻结训练的策略。 - **freeze_p** (float) - 梯度冻结训练的概率。 - **total_steps** (int) - 整个训练过程的总的步数。 .. py:method:: split_parameters_groups(net, freeze_para_groups_number) 拆分用于梯度冻结训练的权重。 参数： - **net** (Cell) - 训练网络。 - **freeze_para_groups_number** (int) - 梯度冻结训练的权重个数。 .. py:class:: mindspore.boost.FreezeOpt(opt, train_parameter_groups=None, train_strategy=None) 支持梯度冻结训练的优化器。 参数： - **opt** (Cell) - 非冻结优化器实例，如 *Momentum*，*SGD*。 - **train_parameter_groups** (Union[tuple, list]) - 梯度冻结训练的权重。 - **train_strategy** (Union[tuple(int), list(int), Tensor]) - 梯度冻结训练的策略。 .. py:function:: mindspore.boost.freeze_cell(reducer_flag, network, optimizer, sens, grad, use_grad_accumulation, mean=None, degree=None, max_accumulation_step=1) 提供带梯度冻结的网络Cell。 参数： - **reducer_flag** (bool) - 是否分布式训练。 - **network** (Cell) - 训练网络。 - **optimizer** (Cell) - 优化器。 - **sens** (numbers.Number) - 损失缩放系数。 - **grad** (tuple(Tensor)) - 网络梯度。 - **use_grad_accumulation** (bool) - 是否使用梯度累积。 - **mean** (bool) - 可选参数，梯度是否求平均，仅分布式训练时生效。默认值为None。 - **degree** (int) - 可选参数，device卡数，仅分布式训练时生效。默认值为None。 - **max_accumulation_step** (int) - 可选参数，梯度累积步数。默认值为1。 .. py:class:: mindspore.boost.GradientAccumulation(max_accumulation_step, optimizer) 梯度累积算法，在累积多个step的梯度之后，再用来更新网络权重，可以提高训练效率。 参数： - **max_accumulation_step** (int) - 累积梯度的步数。 - **optimizer** (Cell) - 网络训练使用的优化器。 .. py:class:: mindspore.boost.AdaSum(rank, device_number, group_number, parameter_tuple) Adaptive Summation(AdaSum)是一种优化深度学习模型并行训练的算法，它可以提升不同规模集群训练的精度，减小不同规模集群调参难度。 参数： - **rank** (int) - 总的训练的卡数。 - **device_number** (int) - 单机的卡数。 - **group_number** (int) - 分组的数量。 - **parameter_tuple** (Tuple(Parameter)) - 网络训练权重组成的元组。 输入： - **delta_weights** (Tuple(Tensor)) - 梯度tuple。 - **parameters** (Tuple(Parameter)) - 当前权重组成的元组。 - **old_parameters** (Tuple(Parameter)) - 旧的权重组成的元组。 输出： - **adasum_parameters** (Tuple(Tensor)) - adasum处理后更新的权重。 .. py:class:: mindspore.boost.DimReduce(network, optimizer, weight, pca_mat_local, n_components, rho, gamma, alpha, sigma, rank, rank_size) 降维训练(dimension reduce training)是一种优化深度学习模型训练的算法，它可以加速模型的收敛。 算法主要原理： .. math:: \begin{align} grad\_k &= pca\_mat \cdot grad\\ dk &= - bk \cdot grad\_k\\ sk &= rho ^ m \cdot dk\\ delta\_loss &= sigma \cdot grad\_k.T \cdot sk \end{align} 其中: - pca_mat (array): PCA矩阵，维度(k*n)，k是 `n_components` 的大小，n是权重的大小。 - bk (array): 维度(k*k)，bk是拟牛顿法中的对称正定矩阵。 我们需要找到满足以下条件的m: .. math:: new\_loss < old\_loss + delta\_loss 然后使用delta_grad去更新模型的权重: .. math:: \begin{align} grad\_k\_proj &= pca\_mat.T \cdot grad\_k\\ new\_grad\_momentum &= gamma \cdot old\_grad\_momentum + grad - grad\_k\_proj\\ delta\_grad &= alpha \cdot new\_grad\_momentum - pca\_mat.T \cdot sk \end{align} 参数： - **network** (Cell) - 训练网络，只支持单输出。 - **optimizer** (Union[Cell]) - 更新权重的优化器。 - **weight** (Tuple(Parameter)) - 网络权重组成的元组。 - **pca_mat_local** (numpy.ndarray) - 用于PCA操作的，经过切分的PCA转换矩阵，维度为k*n，k是切分的 `n_components` 的大小，n是权重的大小。 - **n_components** (int) - PCA的主成分维度(components)。 - **rho** (float) - 超参。 - **gamma** (float) - 超参。 - **alpha** (float) - 超参。 - **sigma** (float) - 超参。 - **rank** (int) - Rank编号。 - **rank_size** (int) - Rank总数。 输入： - **loss** (Tensor) - 网络loss，标量Tensor。 - **old_grad** (Tuple(Tensor)) - 网络权重提取组成的元组。 - **weight** (Tuple(Tensor)) - 网络权重组成的元组。 - **weight_clone** (Tuple(Tensor)) - 网络权重的副本。 - **(\*inputs)** (Tuple(Tensor)) - 网络的所有输入组成的元组。 输出： - **loss** (Tensor) - 网络loss，标量Tensor。 .. py:class:: mindspore.boost.GroupLossScaleManager(init_loss_scale, loss_scale_groups) 增强型混合精度算法支持不同loss scale的多层应用和损失尺度的动态更新。 参数： - **init_loss_scale** (Number) - 初始化loss scale。 - **loss_scale_groups** (List) - 从参数列表里分离出来的loss scale组。 输入： - **x** (Tensor) - 最后一个operator的输出。 - **layer1** (int) - 当前网络层的值。 - **layer2** (int) - 最后一个网络层的值。 输出： - **x** (Tensor) - _DynamicLossScale operator的输出。 .. py:method:: get_loss_scale() 获取loss scale的值。 返回： bool，`loss_scale` 的值。 .. py:method:: get_update_cell() 返回 :class:`mindspore.boost.GroupLossScaleManager` 实例。 返回： :class:`mindspore.boost.GroupLossScaleManager` 实例。 .. py:method:: set_loss_scale_status(loss_scale_number, init_loss_scale) 生成动态loss scale元组，并设置溢出状态列表。 参数： - **loss_scale_number** (int) - loss scale的数量。 - **init_loss_scale** (float) - 已初始化的loss scale。 .. py:method:: update_loss_scale_status(layer, update_ratio) 更新动态loss scale。 参数： - **layer** (int) - 当前层。 - **update_ratio** (float) - 更新loss scale的当前比例。 输出： float，新loss scale的值。 .. automodule:: mindspore.boost :members: