PyTorch 2.0 实操:为 HuggingFace 和 TIMM 模型提速!

PyTorch 2.0 通过简单一行 torch.compile() 就可以使模型训练速度提高 30%-200%,本教程将演示如何真实复现这种提速。

torch.compile()  可以轻松地尝试不同的编译器后端,进而加速 PyTorch 代码的运行。它作为 torch.jit.script()  的直接替代品,可以直接在 nn.Module 上运行,无需修改源代码。

上篇文章中,我们介绍了 torch.compile 支持任意的 PyTorch 代码、control flow、mutation,并一定程度上支持 dynamic shapes。

通过对 163 个开源模型进行测试,我们发现 torch.compile()  可以带来 30%-200% 的加速。

opt_module = torch.compile(module)

测试结果详见:

https://github.com/pytorch/torchdynamo/issues/681

本教程将演示如何利用 torch.compile()  为模型训练提速。

要求及设置

对于 GPU 而言(越新的 GPU 性能提升越突出):

pip3 install numpy --pre torch[dynamo] --force-reinstall --extra-index-url https://download.pytorch.org/whl/nightly/cu117

对于 CPU 而言:

pip3 install --pre torch --extra-index-url https://download.pytorch.org/whl/nightly/cpu

可选:验证安装

git clone https://github.com/pytorch/pytorch<br>cd tools/dynamo<br>python verify_dynamo.py

可选:Docker 安装

在 PyTorch 的 Nightly Binaries 文件中提供了所有必要的依赖项,可以通过以下方式下载:

docker pull ghcr.io/pytorch/pytorch-nightly

对于临时测试 (ad hoc experiment),只需确保容器能够访问所有 GPU 即可:

docker run --gpus all -it ghcr.io/pytorch/pytorch-nightly:latest /bin/bash

开始

  简单示例

先来看一个简单示例,注意,GPU 越新速度提升越明显。

import torch<br>   def fn(x, y):<br>       a = torch.sin(x).cuda()<br>       b = torch.sin(y).cuda()<br>       return a + b<br>   new_fn = torch.compile(fn, backend="inductor")<br>   input_tensor = torch.randn(10000).to(device="cuda:0")<br>   a = new_fn()

这个例子实际上不会提升速度,但是可以抛砖引玉。

该示例中,torch.cos()  和 torch.sin()  是逐点运算 (pointwise ops)  的例子,他们可以在向量上逐一操作 element,一个更著名的逐点运算是 torch.relu()

eager mode 下的逐点运算并不是最优解,因为每个算子都需要从内存中读取一个张量、做一些更改,然后再写回这些更改。

PyTorch 2.0 最重要的一项优化是融合 (fusion)。

因此,该例中就可以把 2 次读和 2 次写变成 1 次读和 1 次写,这对较新的 GPU 来说是至关重要的,因为这些 GPU 的瓶颈是内存带宽(能多快地把数据发送到 GPU)而不是计算(GPU 能多快地进行浮点运算)。

PyTorch 2.0 第二个重要优化是 CUDA graphs。

CUDA graphs 有助于消除从 Python 程序中启动单个内核的开销。

torch.compile() 支持许多不同的后端,其中最值得关注的是 Inductor,它可以生成 Triton 内核。

https://github.com/openai/triton

这些内核是用 Python 写的,但却优于绝大多数手写的 CUDA 内核。假设上面的例子叫做 trig.py,实际上可以通过运行来检查生成 triton 内核的代码。

TORCHINDUCTOR_TRACE=1 python trig.py
@pointwise(size_hints=[16384], filename=__file__, meta={'signature': {0: '*fp32', 1: '*fp32', 2: 'i32'}, 'device': 0, 'constants': {}, 'configs': [instance_descriptor(divisible_by_16=(0, 1, 2), equal_to_1=())]})<br>   @triton.jit<br>   def kernel(in_ptr0, out_ptr0, xnumel, XBLOCK : tl.constexpr):<br>       xnumel = 10000<br>       xoffset = tl.program_id(0) * XBLOCK<br>       xindex = xoffset + tl.reshape(tl.arange(0, XBLOCK), [XBLOCK])<br>       xmask = xindex < xnumel<br>       x0 = xindex<br>       tmp0 = tl.load(in_ptr0 + (x0), xmask)<br>       tmp1 = tl.sin(tmp0)<br>       tmp2 = tl.sin(tmp1)<br>       tl.store(out_ptr0 + (x0 + tl.zeros([XBLOCK], tl.int32)), tmp2, xmask)

以上代码可知:两个 sins  确实发生了融合,因为两个 sin  算子发生在一个 Triton 内核中,而且临时变量被保存在 register 中,访问速度非常快。

真实模型示例

以 PyTorch Hub 中的 resnet50 为例:

import torch<br>   model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet18', pretrained=True)<br>   opt_model = torch.compile(model, backend="inductor")<br>   model(torch.randn(1,3,64,64))

实际运行中会发现,第一次运行速度很慢,这是因为模型正在被编译。随后的运行速度会加快,所以在开始基准测试之前,通常的做法是对模型进行 warm up。

可以看到,这里我们用「inductor」表示编译器名称,但它不是唯一可用的后端,可以在 REPL 中运行 torch._dynamo.list_backends()  来查看可用后端的完整列表。

也可以试试 aot_cudagraphs  或 nvfuser 。

Hugging Face 模型示例

PyTorch 社区经常使用 transformers 或 TIMM 的预训练模型:

https://github.com/huggingface/transformers
https://github.com/rwightman/pytorch-image-models

PyTorch 2.0 的设计目标之一,就是任意编译栈,都需要在实际运行的绝大多数模型中,开箱即用。

这里我们直接从 HuggingFace hub 下载一个预训练的模型,并进行优化:

import torch<br>   from transformers import BertTokenizer, BertModel<br>   # Copy pasted from here https://huggingface.co/bert-base-uncased<br>   tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')<br>   model = BertModel.from_pretrained("bert-base-uncased").to(device="cuda:0")<br>   model = torch.compile(model) # This is the only line of code that we changed<br>   text = "Replace me by any text you'd like."<br>   encoded_input = tokenizer(text, return_tensors='pt').to(device="cuda:0")<br>   output = model(**encoded_input)

如果从模型中删除 to(device=”cuda:0″)  和 encoded_input ,PyTorch 2.0 将生成为在 CPU 上运行优化的 C++ 内核。

可以检查 BERT 的 Triton 或 C++ 内核,它们显然比上面的三角函数的例子更复杂。但如果你了解 PyTorch 可以略过。

同样的代码与以下一起使用,仍旧可以得到更好的效果:

* https://github.com/huggingface/accelerate

* DDP

同样的,试试 TIMM 的例子:

import timm<br>   import torch<br>   model = timm.create_model('resnext101_32x8d', pretrained=True, num_classes=2)<br>   opt_model = torch.compile(model, backend="inductor")<br>   opt_model(torch.randn(64,3,7,7))

PyTorch 的目标是建立一个能适配更多模型的编译器,为绝大多数开源模型的运行提速,现在就访问 HuggingFace Hub用 PyTorch 2.0 为 TIMM 模型加速吧!

https://huggingface.co/timm