OpenAI 開源最新工具包，模型增大 10 倍只需額外增加 20% 計算時間

本文作者：汪思穎

2018-01-17 09:41

導語：對于普通的前饋模型，可以在計算時間只增加 20% 的情況下，在 GPU 上訓練比之前大十多倍的模型。

雷鋒網 AI 研習社消息，近日，OpenAI 在 GitHub 上開源最新工具包 gradient-checkpointing，該工具包通過設置梯度檢查點（gradient-checkpointing）來節省內存資源。據悉，對于普通的前饋模型，可以在計算時間只增加 20% 的情況下，在 GPU 上訓練比之前大十多倍的模型。雷鋒網 AI 研習社將該開源信息編譯整理如下：

通過梯度檢查點（gradient-checkpointing）來節省內存資源

訓練非常深的神經網絡需要大量內存，利用 Tim Salimans 和 Yaroslav Bulatov 共同開發的 gradient-checkpointing 包中的工具，可以犧牲計算時間來解決內存過小的問題，讓你更好地針對模型進行訓練。

對于普通的前饋模型，可以在計算時間只增加 20% 的情況下，在 GPU 上訓練比之前大十多倍的模型。

訓練深度神經網絡時，損失的梯度是在內存密集部分通過反向傳播（backpropagation）算法來計算的。在訓練模型時定義計算圖中的檢查點，并在這些檢查點之間通過反向傳播算法重新計算這些圖，可以在降低內存的同時計算梯度值。

當訓練一個 n 層的深度前饋神經網絡時，可以利用這種方式將內存消耗減少到 O(sqrt(n))，代價是需要執行一個額外的前向傳遞操作。這個庫可以在 Tensorflow 中實現這一功能——使用 Tensorflow graph editor 來自動重寫后向傳遞的計算圖。

OpenAI 開源最新工具包，模型增大 10 倍只需額外增加 20% 計算時間

圖：使用常規的 tf.gradients 函數和使用這種優化內存梯度實現法（memory-optimized gradient implementation）訓練不同層數的 ResNet 模型時需要的內存對比

大家現在就可以安裝

pip install tf-nightly-gpu
pip install toposort networkx pytest

當執行這一程序時，需要保證能找到CUPTI。

這時可以執行

export LD_LIBRARY_PATH="${LD_LIBRARY_PATH}:/usr/local/cuda/extras/CUPTI/lib64

使用方法

這個庫提供嵌入式功能，能對 tf.gradients 函數進行替換，可以輸入如下程序來引入相關函數：

from memory_saving_gradients import gradients

大家可以像使用 tf.gradients 函數一樣使用 gradients 函數來計算參數損失的梯度。

gradients 函數有一個額外的功能——檢查點（checkpoints）。

檢查點會對 gradients 函數進行指示——在計算圖的前向傳播中，圖中的哪一部分節點是用戶想要檢查的點。隨后，會在后向傳播中重新計算檢查點之間的節點。

大家可以為檢查點提供一系列張量（gradients(ys,xs,checkpoints=[tensor1,tensor2])），或者可以使用如下幾個關鍵詞（'collection'、'memory' 、'speed'）來進行設置。

覆蓋 tf.gradients 函數

使用 gradients 函數的另一個方法是直接覆蓋 tf.gradients 函數，方法如下：

import tensorflow as tf
import memory_saving_gradients
# monkey patch tf.gradients to point to our custom version, with automatic checkpoint selection
def gradients_memory(ys, xs, grad_ys=None, **kwargs):
return memory_saving_gradients.gradients(ys, xs, grad_ys, checkpoints='memory', **kwargs)
tf.__dict__["gradients"] = gradients_memory

這樣操作之后，所有調用 tf.gradients 函數的請求都會使用新的節省內存的方法。

測試

在測試文件夾中，有已經寫好的用于測試代碼準確性和不同模型占用內存的腳本。

大家可以執行 ./run_all_tests.sh 來修改代碼，并著手測試。

OpenAI 開源最新工具包，模型增大 10 倍只需額外增加 20% 計算時間