Pytorch?Mac?GPU?訓(xùn)練與測(cè)評(píng)實(shí)例
正文
Pytorch的官方博客發(fā)了Apple M1 芯片 GPU加速的文章，這是我期待了很久的功能，因此很興奮，立馬進(jìn)行測(cè)試，結(jié)論是在MNIST上，速度與P100差不多，相比CPU提速1.7倍。當(dāng)然這只是一個(gè)最簡(jiǎn)單的例子，不能反映大部分情況。這里詳細(xì)記錄操作的一步步流程，如果你也感興趣，不妨自己上手一試。
加速原理
蘋果有自己的一套GPU實(shí)現(xiàn)API Metal，而Pytorch此次的加速就是基于Metal，具體來(lái)說，使用蘋果的Metal Performance Shaders（MPS）作為PyTorch的后端，可以實(shí)現(xiàn)加速GPU訓(xùn)練。MPS后端擴(kuò)展了PyTorch框架，提供了在Mac上設(shè)置和運(yùn)行操作的腳本和功能。MPS通過針對(duì)每個(gè)Metal GPU系列的獨(dú)特特性進(jìn)行微調(diào)的內(nèi)核來(lái)優(yōu)化計(jì)算性能。新設(shè)備在MPS圖形框架和MPS提供的調(diào)整內(nèi)核上映射機(jī)器學(xué)習(xí)計(jì)算圖形和基元。
因此此次新增的的device名字是mps, 使用方式與cuda 類似，例如：
import torch
foo = torch.rand(1, 3, 224, 224).to('mps')
device = torch.device('mps')
foo = foo.to(device)
是不是熟悉的配方，熟悉的味道？可以說是無(wú)門檻即可上手。
此外發(fā)現(xiàn)，Pytorch已經(jīng)支持下面這些device了，確實(shí)出乎意料:
cpu, cuda, ipu, xpu, mkldnn, opengl, opencl, ideep, hip, ve, ort, mps, xla, lazy, vulkan, meta, hpu
環(huán)境配置
為了使用這個(gè)實(shí)驗(yàn)特性，你需要滿足下面三個(gè)條件：
- 有一臺(tái)配有Apple Silicon 系列芯片（M1, M1 Pro, M1 Pro Max, M1 Ultra)的Mac筆記本
- 安裝了arm64位的Python
- 安裝了最新的nightly 版本的Pytorch
第一個(gè)條件需要你自己來(lái)設(shè)法滿足，這篇文章對(duì)它的達(dá)到?jīng)]有什么幫助。
假設(shè)機(jī)器已經(jīng)準(zhǔn)備好。我們可以從這里下載arm64版本的miniconda(文件名是Miniconda3 macOS Apple M1 64-bit bash,基于它安裝的Python環(huán)境就是arm64位的。下載和安裝Minicoda的命令如下：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh chmod +x Miniconda3-latest-MacOSX-arm64.sh ./Miniconda3-latest-MacOSX-arm64.sh
按照說明來(lái)操作即可，安裝完成后，創(chuàng)建一個(gè)虛擬環(huán)境，通過檢查platform.uname()[4] 是不是為arm64 來(lái)檢查Python的架構(gòu):
conda config --env --set always_yes true conda create -n try-mps python=3.8 conda activate try-mps python -c "import platform; print(platform.uname()[4])"
如果最后一句命令的輸出為arm64 ,說明Python版本OK，可以繼續(xù)往下走了。
第三步，安裝nightly版本的Pytorch，在開啟的虛擬環(huán)境中進(jìn)行下面的操作：
python -m pip install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu
執(zhí)行完成后通過下面的命令檢查MPS后端是否可用:
python -c "import torch;print(torch.backends.mps.is_built())"
如果輸出為True ，說明MPS后端可用，可以繼續(xù)往下走了。
跑一個(gè)MNIST
基于Pytorch官方的example中的MNIST例子，修改了來(lái)測(cè)試cpu和mps模式，代碼如下:
from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
if args.dry_run:
break
def main():
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=4, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--use_gpu', action='store_true', default=False,
help='enable MPS')
parser.add_argument('--dry-run', action='store_true', default=False,
help='quickly check a single pass')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()
use_gpu = args.use_gpu
torch.manual_seed(args.seed)
device = torch.device("mps" if args.use_gpu else "cpu")
train_kwargs = {'batch_size': args.batch_size}
test_kwargs = {'batch_size': args.test_batch_size}
if use_gpu:
cuda_kwargs = {'num_workers': 1,
'pin_memory': True,
'shuffle': True}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('../data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('../data', train=False,
transform=transform)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
model = Net().to(device)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
for epoch in range(1, args.epochs + 1):
train(args, model, device, train_loader, optimizer, epoch)
test(model, device, test_loader)
scheduler.step()
if __name__ == '__main__':
t0 = time.time()
main()
t1 = time.time()
print('time_cost:', t1 - t0)
測(cè)試CPU：
python main.py
測(cè)試MPS:
python main --use_gpu
在M1機(jī)器上測(cè)試發(fā)現(xiàn)，訓(xùn)一個(gè)Epoch的MNIST，CPU耗時(shí)33.4s，而使用MPS的話耗時(shí)19.6s，加速1.7倍，好想沒官方博客中說的那么多，估計(jì)是跟模型太小有關(guān)。
我又在Nvidia P100 GPU服務(wù)器上進(jìn)行了測(cè)試，CPU耗時(shí)34.2s，使用CUDA 耗時(shí)20.4s，加速比1.67倍，跟M1差不多，整體速度略低于M1。 下面是一個(gè)總結(jié)表格：
| 機(jī)器 | 內(nèi)存 | CPU耗時(shí) | GPU耗時(shí) | 加速比 |
|---|---|---|---|---|
| M1 | 16G | 33.4s | 19.6s | 1.70 |
| P100 | 256G | 34.2s | 20.4s | 1.67 |
跑一下VAE模型
類似地，跑一下這個(gè)倉(cāng)庫(kù)里面地VAE模型，發(fā)現(xiàn)CPU模式正常，換成MPS后loss不斷增大，最后到nan，看來(lái)還是有bug的 (畢竟是實(shí)驗(yàn)特性)，可以在Pytorch GitHub 倉(cāng)庫(kù)里面提issue，期待更好的Pytorch。
[W ParallelNative.cpp:229] Warning: Cannot set number of intraop threads after parallel work has started or after set_num_threads call when using native parallel backend (function set_num_threads) Train Epoch: 1 [0/60000 (0%)] Loss: 550.842529 Train Epoch: 1 [1280/60000 (2%)] Loss: 330.613251 Train Epoch: 1 [2560/60000 (4%)] Loss: 4705.016602 Train Epoch: 1 [3840/60000 (6%)] Loss: 183532752.000000 ... Train Epoch: 6 [40960/60000 (68%)] Loss: nan Train Epoch: 6 [42240/60000 (70%)] Loss: nan
一個(gè)愿景
開頭提到，關(guān)注這個(gè)特性挺久了，其實(shí)我最初的想法，是希望一臺(tái)普通計(jì)算設(shè)備（不帶GPU的筆記本，智能手機(jī)）都能訓(xùn)非常快的模型。因?yàn)镚PU卡很昂貴，只有科研機(jī)構(gòu)和大公司才有，普通人購(gòu)買成本比較高，而云服務(wù)商提供的GPU按時(shí)收費(fèi)，價(jià)格不菲。另一方面，所有普通筆記本和智能手機(jī)都有不錯(cuò)的CPU，算力不錯(cuò)，如果能將這部分性能合理地利用起來(lái)，就像深度學(xué)習(xí)前的時(shí)代一樣，有一臺(tái)筆記本就能用MatLab快速地進(jìn)行科學(xué)實(shí)驗(yàn)，這樣才能將AI推廣到更多人，將AI平民化，也避免了大公司在硬件資源上的壟斷和顯卡巨大的能耗。
今天的Mac GPU訓(xùn)練至少是在降低深度學(xué)習(xí)能耗和深度學(xué)習(xí)模型訓(xùn)練的"輕量化"上面有了一個(gè)大的進(jìn)步，你可以抱著筆記本在床上訓(xùn)練改變AI模型了 。但以Mac筆記的價(jià)格，很難說在平民化方向上有任何的進(jìn)展。
以上就是Pytorch Mac GPU 訓(xùn)練與測(cè)評(píng)實(shí)例的詳細(xì)內(nèi)容，更多關(guān)于Pytorch Mac GPU訓(xùn)練測(cè)評(píng)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
今天帶大家來(lái)復(fù)習(xí)Python底層代碼LIST,文中有非常詳細(xì)的介紹及代碼示例,對(duì)正在學(xué)習(xí)python的小伙伴們有很好地幫助,需要的朋友可以參考下2021-05-05
使用Python進(jìn)行穩(wěn)定可靠的文件操作詳解
在本文中，主要分享一些如何在Python代碼中改善I/O可靠性的見解,大家參考使用吧2013-12-12
這篇文章主要給大家介紹了關(guān)于Python繪制圓形方法及turtle模塊詳解的相關(guān)資料,Turtle庫(kù)是Python語(yǔ)言中一個(gè)很流行的繪制圖像的函數(shù)庫(kù),文中介紹的非常詳細(xì),需要的朋友可以參考下2023-12-12
Matplotlib實(shí)戰(zhàn)之堆疊面積圖繪制詳解
堆疊面積圖和面積圖都是用于展示數(shù)據(jù)隨時(shí)間變化趨勢(shì)的統(tǒng)計(jì)圖表,但它們的特點(diǎn)有所不同,堆疊面積圖既能看到各數(shù)據(jù)系列的走勢(shì),又能看到整體的規(guī)模,下面我們就來(lái)看看如何繪制堆疊面積圖吧2023-08-08
這篇文章主要介紹了Python制作一個(gè)簡(jiǎn)單的刷博器,可以學(xué)習(xí)Python線程、調(diào)用cmd命令行、打開網(wǎng)頁(yè)的知識(shí)點(diǎn)，大家參考使用吧2014-01-01
Python 編碼處理-str與Unicode的區(qū)別
本文主要介紹Python 編碼處理的問題，這里整理了相關(guān)資料，并詳細(xì)說明如何處理編碼問題，有需要的小伙伴可以參考下2016-09-09
這篇文章主要介紹了Dataframe的行名及列名排序問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-09-09
這篇文章主要介紹了如何設(shè)置Python環(huán)境變量？，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-05-05
Python 繼承，重寫，super()調(diào)用父類方法操作示例
這篇文章主要介紹了Python 繼承，重寫，super()調(diào)用父類方法,結(jié)合完整實(shí)例形式詳細(xì)分析了Python面向?qū)ο蟪绦蛟O(shè)計(jì)中子類繼承與重寫父類方法的相關(guān)操作技巧,需要的朋友可以參考下2019-09-09
Python基于QRCode實(shí)現(xiàn)生成二維碼的方法【下載,安裝,調(diào)用等】
這篇文章主要介紹了Python基于QRCode實(shí)現(xiàn)生成二維碼的方法,結(jié)合實(shí)例形式較為詳細(xì)的分析了Python下載,安裝與調(diào)用QRCode實(shí)現(xiàn)生成二維碼功能的具體步驟與相關(guān)操作技巧,需要的朋友可以參考下2017-07-07