机器之心发布
旷视研究院
基于梯度检查点的亚线性显存优化方法 [1] 由于较高的计算/显存性价比受到关注。MegEngine 经过工程扩展和优化，发展出一套行之有效的加强版亚线性显存优化技术，既可在计算存储资源受限的条件下，轻松训练更深的模型，又可使用更大 batch size，进一步提升模型性能，稳定 batchwise 算子。使用 MegEngine 训练 ResNet18/ResNet50，显存占用分别最高降低 23%/40%；在更大的 Bert 模型上，降幅更是高达 75%，而额外的计算开销几乎不变。
深度神经网络训练是一件复杂的事情，它体现为模型的时间复杂度和空间复杂度，分别对应着计算和内存；而训练时内存占用问题是漂浮在深度学习社区上空的一块乌云，如何拨云见日，最大降低神经网络训练的内存占用，是一个绕不开的课题。
GPU 显卡等硬件为深度学习提供了必需的算力，但硬件自身有限的存储，限制了可训练模型的尺寸，尤其是大型深度网络，由此诞生出一系列相关技术，比如亚线性显存优化、梯度累加、混合精度训练、分布式训练，进行 GPU 显存优化。
其中，亚线性显存优化方法 [1] 由于较高的计算/显存性价比备受关注；旷视基于此，经过工程扩展和优化，发展出加强版的 MegEngine 亚线性显存优化技术，轻松把大模型甚至超大模型装进显存，也可以毫无压力使用大 batch 训练模型。
这里将围绕着深度学习框架 MegEngine 亚线性显存优化技术的工程实现和实验数据，从技术背景、原理、使用、展望等多个方面进行首次深入解读。
背景
在深度学习领域中，随着训练数据的增加，需要相应增加模型的尺寸和复杂度，进行模型「扩容」；而 ResNet [2] 等技术的出现在算法层面扫清了训练深度模型的障碍。不断增加的数据和持续创新的算法给深度学习框架带来了新挑战，能否在模型训练时有效利用有限的计算存储资源，尤其是减少 GPU 显存占用，是评估深度学习框架性能的重要指标。
在计算存储资源一定的情况下，深度学习框架有几种降低显存占用的常用方法，其示例如下：
- 通过合适的梯度定义，让算子的梯度计算不再依赖于前向计算作为输入，从而 in-place 地完成算子的前向计算，比如 Sigmoid、Relu 等；
- 在生命周期没有重叠的算子之间共享显存；
- 通过额外的计算减少显存占用，比如利用梯度检查点重新计算中间结果的亚线性显存优化方法 [1]；
- 通过额外的数据传输减少显存占用，比如把暂时不用的数据从 GPU 交换到 CPU，需要时再从 CPU 交换回来。
上述显存优化技术在 MegEngine 中皆有不同程度的实现，这里重点讨论基于梯度检查点的亚线性显存优化技术。
原理
一个神经网络模型所占用的显存空间大体分为两个方面：1）模型本身的参数，2）模型训练临时占用的空间，包括参数的梯度、特征图等。其中最大占比是 2）中以特征图形式存在的中间结果，比如，从示例 [1] 可知，根据实现的不同，从 70% 到 90% 以上的显存用来存储特征图。
这里的训练过程又可分为前向计算，反向计算和优化三个方面，其中前向计算的中间结果最占显存，还有反向计算的梯度。第 1）方面模型自身的参数内存占用最小。
MegEngine 加强版亚线性显存优化技术借鉴了 [1] 的方法，尤其适用于计算存储资源受限的情况，比如一张英伟达 2080Ti，只有 11G 的显存；而更贵的 Tesla V100，最大显存也只有 32G。
图 1：亚线性显存优化原理，其中 (b) 保存了 Relu 结果，实际中 Relu 结果可用 in-place 计算
图 1(a) 给出了卷积神经网络的基本单元，它由 Conv-BN-Relu 组成。可以看到，反向计算梯度的过程依赖于前向计算获取的中间结果，一个网络需要保存的中间结果与其大小成正比，即显存复杂度为 O(n)。
本质上，亚线性显存优化方法是以时间换空间，以计算换显存，如图 1(b) 所示，它的算法原理如下：
- 选取神经网络中 k 个检查点，从而把网络分成 k 个 block，需要注意的是，初始输入也作为一个检查点；前向计算过程中只保存检查点处的中间结果；
- 反向计算梯度的过程中，首先从相应检查点出发，重新计算单个 block 需要的中间结果，然后计算 block 内部各个 block 的梯度；不同 block 的中间结果计算共享显存。
这种方法有着明显的优点，即大幅降低了模型的空间复杂度，同时缺点是增加了额外的计算：
- 显存占用从 O(n) 变成 O(n/k) O(k)，O(n/k) 代表计算单个节点需要的显存，O(k) 代表 k 个检查点需要的显存，取 k=sqrt(n)，O(n/k) O(k)~O(sqrt(n))，可以看到显存占用从线性变成了亚线性；
- 因为在反向梯度的计算过程中需要从检查点恢复中间结果，整体需要额外执行一次前向计算。
工程
在 [1] 的基础上，MegEngine 结合自身实践，做了工程扩展和优化，把亚线性显存优化方法扩展至任意的计算图，并结合其它常见的显存优化方法，发展出一套行之有效的加强版亚线性显存优化技术。
亚线性优化方法采用简单的网格搜索（grid search）选择检查点，MegEngine 在此基础上增加遗传算法，采用边界移动、块合并、块分裂等策略，实现更细粒度的优化，进一步降低了显存占用。
如图 2 所示，采用型号为 2080Ti 的 GPU 训练 ResNet50，分别借助基准、亚线性、亚线性 遗传算法三种显存优化策略，对比了可使用的最大 batch size。仅使用亚线性优化，batch size 从 133 增至 211，是基准的 1.6x；而使用亚线性 遗传算法联合优化，batch size 进一步增至 262，较基准提升 2x。
图 2：三种显存优化方法优化 batch size 的对比：ResNet50
通过选定同一模型、给定 batch size，可以更好地观察遗传算法优化显存占用的情况。如图 3 所示，随着迭代次数的增加，遗传算法逐渐收敛显存占用，并在第 5 次迭代之后达到一个较稳定的状态。
图 3：遗传算法收敛示意图
此外，MegEngine 亚线性优化技术通过工程改良，不再局限于简单的链状结构和同质计算节点, 可用于任意的计算图，计算节点也可异质，从而拓展了技术的适用场景；并可配合上述显存优化方法，进一步降低模型的显存占用。
实验
MegEngine 基于亚线性显存技术开展了相关实验，这里固定 batch size=64，在 ResNet18 和 ResNet50 两个模型上，考察模型训练时的显存占用和计算时间。
如图 4 所示，相较于基准实现，使用 MegEngine 亚线性显存技术训练 ResNet18 时，显存占用降低 32%，计算时间增加 24%；在较大的 ReNet50 上，显存占用降低 40%，计算时间增加 25%。同时经过理论分析可知，模型越大，亚线性显存优化的效果越明显，额外的计算时间则几乎不变。
图 4：MegEngine 亚线性优化技术实验显存/时间对比：ReNet18/ReNet50
在更大模型 Bert 上实验数据表明，借助 MegEngine 亚线性显存技术，显存占用最高降低 75%，而计算时间仅增加 23%，这与理论分析相一致。有兴趣的同学可前往 MegEngine ModeHub 试手更多模型实验：https://megengine.org.cn/model-hub/。
使用
MegEngine 官网提供了亚线性显存优化技术的使用文档。当你的 GPU 显存有限，苦于无法训练较深、较大的神经网络模型，或者无法使用大 batch 进一步提升深度神经网络的性能，抑或想要使 batchwise 算子更加稳定，那么，MegEngine 亚线性显存优化技术正是你需要的解决方案。
上手 MegEngine 亚线性优化技术非常便捷，无需手动设定梯度检查点，通过几个简单的参数，轻松控制遗传算法的搜索策略。具体使用时，在 MegEngine 静态图接口中调用 SublinearMemoryConfig 设置 trace 的参数 sublinear_memory_config，即可打开亚线性显存优化：
代码语言：javascript复制from megengine.jit import trace, SublinearMemoryConfig
config = SublinearMemoryConfig()
@trace(symbolic=True, sublinear_memory_config=config)
def train_func(data, label, *, net, optimizer):
...MegEngine 在编译计算图和训练模型时，虽有少量的额外时间开销，但会显著缓解显存不足问题。下面以 ResNet50 为例，说明 MegEngine 可有效突破显存瓶颈，训练 batch size 从 100 最高增至 200：
代码语言：javascript复制import os
from multiprocessing import Process
def train_resnet_demo(batch_size, enable_sublinear, genetic_nr_iter=0):
import megengine as mge
import megengine.functional as F
import megengine.hub as hub
import megengine.optimizer as optim
from megengine.jit import trace, SublinearMemoryConfig
import numpy as np
print(
"Run with batch_size={}, enable_sublinear={}, genetic_nr_iter={}".format(
batch_size, enable_sublinear, genetic_nr_iter
)
)
# 使用GPU运行这个例子
assert mge.is_cuda_available(), "Please run with GPU"
try:
# 我们从 megengine hub 中加载一个 resnet50 模型。
resnet = hub.load("megengine/models", "resnet50")
optimizer = optim.SGD(resnet.parameters(), lr=0.1,)
config = None
if enable_sublinear:
config = SublinearMemoryConfig(genetic_nr_iter=genetic_nr_iter)
@trace(symbolic=True, sublinear_memory_config=config)
def train_func(data, label, *, net, optimizer):
pred = net(data)
loss = F.cross_entropy_with_softmax(pred, label)
optimizer.backward(loss)
resnet.train()
for i in range(10):
batch_data = np.random.randn(batch_size, 3, 224, 224).astype(np.float32)
batch_label = np.random.randint(1000, size=(batch_size,)).astype(np.int32)
optimizer.zero_grad()
train_func(batch_data, batch_label, net=resnet, optimizer=optimizer)
optimizer.step()
except:
print("Failed")
return
print("Sucess")
# 以下示例结果在2080Ti GPU运行得到，显存容量为 11 GB
# 不使用亚线性内存优化，允许的batch_size最大为 100 左右
p = Process(target=train_resnet_demo, args=(100, False))
p.start()
p.join()
# 报错显存不足
p = Process(target=train_resnet_demo, args=(200, False))
p.start()
p.join()
# 使用亚线性内存优化，允许的batch_size最大为 200 左右
p = Process(target=train_resnet_demo, args=(200, True, 20))
p.start()
p.join()展望
如上所述，MegEngine 的亚线性显存优化技术通过额外做一次前向计算，即可达到 O(sqrt(n)) 的空间复杂度。如果允许做更多次的前向计算，对整个网络递归地调用亚线性显存算法，有望在时间复杂度为 O(n log n) 的情况下，达到 O(log n) 的空间复杂度。
更进一步，MegEngine 还将探索亚线性显存优化技术与数据并行/模型并行、混合精度训练的组合使用问题，以期获得更佳的集成效果。最后，在 RNN 以及 GNN、Transformer 等其他类型网络上的使用问题，也是 MegEngine 未来的一个探索方向。
欢迎访问
- MegEngine GitHub：https://github.com/MegEngine
- MegEngine 官网：https://megengine.org.cn
- MegEngine ModelHub：https://megengine.org.cn/model-hub/
参考文献
1.Chen, T., Xu, B., Zhang, C., & Guestrin, C. (2016). Training deep nets with sublinear memory cost. arXiv preprint arXiv:1604.06174.
2.He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
