Keras 2 API 文档 / 混合精度 / 混合精度策略 API

混合精度策略 API

[源]

Policy

tf_keras.mixed_precision.Policy(name)

TF-Keras 层的 dtype 策略。

dtype 策略决定了层的计算和变量的 dtype。每个层都有一个策略。策略可以传递给层构造函数的 dtype 参数,也可以通过 tf.keras.mixed_precision.set_global_policy 设置全局策略。

参数

  • name:策略名称,用于确定计算和变量的 dtype。可以是任何 dtype 名称,例如 'float32''float64',这将使计算和变量的 dtype 都成为该 dtype。也可以是字符串 'mixed_float16''mixed_bfloat16',这将使计算 dtype 为 float16 或 bfloat16,而变量 dtype 为 float32。

通常,只有在使用混合精度时才需要与 dtype 策略交互,混合精度是指使用 float16 或 bfloat16 进行计算,使用 float32 作为变量。这就是为什么 API 名称中出现了术语 mixed_precision。通过将 'mixed_float16''mixed_bfloat16' 传递给 tf.keras.mixed_precision.set_global_policy 可以启用混合精度。有关如何使用混合精度的更多信息,请参阅混合精度指南

>>> tf.keras.mixed_precision.set_global_policy('mixed_float16')
>>> layer1 = tf.keras.layers.Dense(10)
>>> layer1.dtype_policy  # `layer1` will automatically use mixed precision
<Policy "mixed_float16">
>>> # Can optionally override layer to use float32
>>> # instead of mixed precision.
>>> layer2 = tf.keras.layers.Dense(10, dtype='float32')
>>> layer2.dtype_policy
<Policy "float32">
>>> # Set policy back to initial float32 for future examples.
>>> tf.keras.mixed_precision.set_global_policy('float32')

在上面的示例中,将 dtype='float32' 传递给层等同于传递 dtype=tf.keras.mixed_precision.Policy('float32')。一般来说,将 dtype 策略名称传递给层等同于传递相应的策略,因此永远没有必要显式构造一个 Policy 对象。

注意:如果您使用 'mixed_float16' 策略,Model.compile 会自动使用 tf.keras.mixed_precision.LossScaleOptimizer 封装优化器。如果您使用自定义训练循环而不是调用 Model.compile,则应显式使用 tf.keras.mixed_precision.LossScaleOptimizer 以避免 float16 的数值下溢。

层如何使用其策略的计算 dtype

层将其输入转换为其计算 dtype。这导致层的计算和输出也采用计算 dtype。例如

>>> x = tf.ones((4, 4, 4, 4), dtype='float64')
>>> # `layer`'s policy defaults to float32.
>>> layer = tf.keras.layers.Conv2D(filters=4, kernel_size=2)
>>> layer.compute_dtype  # Equivalent to layer.dtype_policy.compute_dtype
'float32'
>>> # `layer` casts its inputs to its compute dtype and does computations in
>>> # that dtype.
>>> y = layer(x)
>>> y.dtype
tf.float32

请注意,基础 tf.keras.layers.Layer 类会插入转换。如果您子类化自己的层,则无需插入任何转换。

目前,只有层 call 方法的第一个参数中的张量会被转换(尽管这在未来的次要版本中可能会改变)。例如

>>> class MyLayer(tf.keras.layers.Layer):
...   # Bug! `b` will not be casted.
...   def call(self, a, b):
...     return a + 1., b + 1.
>>> a = tf.constant(1., dtype="float32")
>>> b = tf.constant(1., dtype="float32")
>>> layer = MyLayer(dtype="float64")
>>> x, y = layer(a, b)
>>> x.dtype
tf.float64
>>> y.dtype
tf.float32

如果您编写自己的具有多个输入的层,则应在 call 中将其他张量显式转换为 self.compute_dtype,或者将所有张量作为列表接受在第一个参数中。

转换仅在 TensorFlow 2 中发生。如果已调用 tf.compat.v1.disable_v2_behavior(),您可以使用 tf.compat.v1.keras.layers.enable_v2_dtype_behavior() 启用转换行为。

层如何使用其策略的变量 dtype

tf.keras.layers.Layer.add_weight 创建的变量的默认 dtype 是层策略的变量 dtype。

如果层的计算和变量 dtype 不同,add_weight 会使用一个称为 AutoCastVariable 的特殊包装器封装浮点变量。AutoCastVariable 与原始变量完全相同,只是在 Layer.call 中使用时,它会将其自身转换为层的计算 dtype。这意味着如果您正在编写一个层,则无需显式将变量转换为层的计算 dtype。例如

>>> class SimpleDense(tf.keras.layers.Layer):
...
...   def build(self, input_shape):
...     # With mixed precision, self.kernel is a float32 AutoCastVariable
...     self.kernel = self.add_weight('kernel', (input_shape[-1], 10))
...
...   def call(self, inputs):
...     # With mixed precision, self.kernel will be casted to float16
...     return tf.linalg.matmul(inputs, self.kernel)
...
>>> layer = SimpleDense(dtype='mixed_float16')
>>> y = layer(tf.ones((10, 10)))
>>> y.dtype
tf.float16
>>> layer.kernel.dtype
tf.float32

层作者可以通过将 experimental_autocast=False 传递给 add_weight 来阻止变量被 AutoCastVariable 封装,这在必须在层内访问变量的 float32 值时非常有用。

如何编写支持混合精度和 float64 的层。

大多数情况下,由于基本层会自动转换输入、创建正确类型的变量,并在混合精度情况下使用 AutoCastVariables 封装变量,层将自动支持混合精度和 float64,而无需任何额外工作。

需要额外工作来支持混合精度或 float64 的主要情况是创建新张量时,例如使用 tf.onestf.random.normal。在这种情况下,您必须创建具有正确 dtype 的张量。例如,如果您调用 tf.random.normal,则必须传递计算 dtype,即输入已转换为的 dtype

>>> class AddRandom(tf.keras.layers.Layer):
...
...   def call(self, inputs):
...     # We must pass `dtype=inputs.dtype`, otherwise a TypeError may
...     # occur when adding `inputs` to `rand`.
...     rand = tf.random.normal(shape=inputs.shape, dtype=inputs.dtype)
...     return inputs + rand
>>> layer = AddRandom(dtype='mixed_float16')
>>> y = layer(x)
>>> y.dtype
tf.float16

如果您没有将 dtype=inputs.dtype 传递给 tf.random.normal,就会发生 TypeError。这是因为 tf.random.normal 的 dtype 默认为 "float32",但输入 dtype 是 float16。您无法将 float32 张量与 float16 张量相加。


[源]

global_policy 函数

tf_keras.mixed_precision.global_policy()

返回全局 dtype 策略。

如果未将策略传递给层构造函数,则全局策略是用于层的默认 tf.keras.mixed_precision.Policy。如果未通过 keras.mixed_precision.set_global_policy 设置策略,则此函数将返回一个由 tf.keras.backend.floatx() 构建的策略(floatx 默认为 float32)。

>>> tf.keras.mixed_precision.global_policy()
<Policy "float32">
>>> tf.keras.layers.Dense(10).dtype_policy  # Defaults to the global policy
<Policy "float32">

如果已通过 tf.compat.v1.disable_v2_behavior() 禁用 TensorFlow 2 行为,则此函数将改为返回一个特殊的 "_infer" 策略,该策略在层首次调用时从第一个输入的 dtype 推断 dtype。此行为与 TensorFlow 1 中存在的行为匹配。

有关策略的更多信息,请参阅 tf.keras.mixed_precision.Policy

返回

全局 Policy。


[源]

set_global_policy 函数

tf_keras.mixed_precision.set_global_policy(policy)

设置全局 dtype 策略。

如果未将策略传递给层构造函数,则全局策略是用于层的默认 tf.keras.mixed_precision.Policy

>>> tf.keras.mixed_precision.set_global_policy('mixed_float16')
>>> tf.keras.mixed_precision.global_policy()
<Policy "mixed_float16">
>>> tf.keras.layers.Dense(10).dtype_policy
<Policy "mixed_float16">
>>> # Global policy is not used if a policy
>>> # is directly passed to constructor
>>> tf.keras.layers.Dense(10, dtype='float64').dtype_policy
<Policy "float64">
>>> tf.keras.mixed_precision.set_global_policy('float32')

如果未设置全局策略,则层将默认使用由 tf.keras.backend.floatx() 构建的策略。

要使用混合精度,应将全局策略设置为 'mixed_float16''mixed_bfloat16',以便每个层默认使用 16 位计算 dtype 和 float32 变量 dtype。

只有浮点策略可以设置为全局策略,例如 'float32''mixed_float16'。非浮点策略,例如 'int32''complex64',不能设置为全局策略,因为大多数层不支持这些策略。

更多信息请参阅 tf.keras.mixed_precision.Policy

参数

  • policy:一个 Policy,或将转换为 Policy 的字符串。也可以是 None,在这种情况下,全局策略将由 tf.keras.backend.floatx() 构建。