摘要：這篇文章跟大家分享下THOR的實踐應用。THOR算法的部分内容目前已經在MindSpore中開源
本文分享自華為雲社群《MindSpore 自研高階優化器源碼分析和實踐應用》，原文作者：HWCloudAI 。
這篇文章跟大家分享下THOR的實踐應用。THOR算法的部分内容目前已經在MindSpore中開源，源碼位置：
https://gitee.com/mindspore/mindspore/blob/master/mindspore/nn/optim/thor.py
MindSpore中使用THOR訓練網絡非常簡單，下面用四行代碼先來帶大家看一下怎麼使用。
from mindspore.nn.optim import THOR #引用二階優化器
#建立網絡
net = Net()
#調用優化器
opt = THOR(net, lr, Tensor(damping), config.momentum, config.weight_decay, config.loss_scale,
config.batch_size, split_indices=split_indices)
#增加計算圖提升性能
model = ConvertModelUtils().convert_to_thor_model(model=model, network=net, loss_fn=loss, optimizer=opt,
loss_scale_manager=loss_scale, metrics={'acc'}, amp_level="O2", keep_batchnorm_fp32=False,
frequency=config.frequency)
#訓練網絡
model.train(config.epoch_size, dataset, callbacks=cb, sink_size=dataset.get_dataset_size(), dataset_sink_mode=True) - 導入二階優化器THOR所需要的包
- 第一行代碼正常建立網絡
- 第二行代碼定義我們使用的優化器THOR
- 第三行代碼是為了增加計算圖進而使THOR達到更優性能
- 第四行代碼訓練網絡
我們再具體展開介紹下。首先導入MindSpore所需的二階優化器的包，位于 mindspore.nn.optim
然後建立你所需的網絡；接着定義THOR優化器，傳入網絡資訊和THOR所需的超參資訊（如學習率，正則化項系數等）；
再調用 convert_to_thor_model函數，該函數是通過增加計算圖使THOR達到更優性能，什麼意思呢，本身網絡運作的時候是一張計算圖，THOR中會使用過時的二階資訊，通過額外增加一張計算圖，兩張計算圖分别執行更新二階矩陣和不更新二階矩陣的操作進而達到更優性能（PS. MindSpore支援動靜态圖，在這裡為了更好的性能使用的是靜态圖模式，對這塊内容比較感興趣的同學，可以點這個連結：https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/white_paper/MindSpore_white_paper.pdf）；
最後，調用model.train就可以開始訓練啦。簡單介紹了下怎麼使用，接下來我們來看下它的源碼。
源碼分析
init 函數用于THOR的初始化，需要傳入THOR所需的超參和網絡結構，THOR支援GPU和Ascend，分别為class THOR_GPU(Optimizer)和 class THOR_Ascend(Optimizer)，這兩個類之間的主要差别是算子不同。下面我們以 class THOR_Ascend(Optimizer)為例，來分析一下。
class THOR_Ascend(Optimizer):
def __init__(self, net, learning_rate, damping, momentum, weight_decay=0.0, loss_scale=1.0, batch_size=32,
decay_filter=lambda x: x.name not in [], split_indices=None):
params = filter(lambda x: x.requires_grad, net.get_parameters())
super(THOR_Ascend, self).__init__(learning_rate, params, weight_decay, loss_scale)
if isinstance(momentum, float) and momentum < 0.0:
raise ValueError("momentum should be at least 0.0, but got momentum {}".format(momentum))
self.momentum = Parameter(Tensor(momentum, mstype.float32), name="momentum")
self.params = self.parameters
self.moments = self.params.clone(prefix="moments", init='zeros')
self.hyper_map = C.HyperMap()
self.opt = P.ApplyMomentum()
self.net = net
self.matrix_A_cov = ParameterTuple(filter(lambda x: 'matrix_A' in x.name, net.get_parameters()))
self.matrix_G_cov = ParameterTuple(filter(lambda x: 'matrix_G' in x.name, net.get_parameters()))
... MindSpore中所有優化器都繼承了 class Optimizer，該基類中定義了一些基本函數（如擷取學習率，梯度縮放等）。THOR初始化時将傳進去的超參定義為類屬性友善調用，并且定義了後續計算會使用到的算子。
也就是說初始化函數的作用就是定義THOR計算所需要用到的算子和變量（Parameter，Tensor等）。
重點介紹下 self.matrix_A_cov , self.matrix_G_cov 。這兩個變量是計算二階梯度所需要的資訊，分别為每層輸入 的協方差矩陣 和每層輸出的一階導數 的協方差矩陣 ，其中 已經在運作時的前向過程和反向過程中儲存下來。
我們再來看下建立THOR時的入參：
- net：本次訓練建立的模型；
- learning_rate：學習率超參；
- damping：二階矩陣中加的正則化項的超參；
- momentum：動量超參；
- weight_decay：權值衰減，用于防止過拟合，預設值為0.0，即不使用權值衰減；loss_scale：用于縮放訓練過程中的loss，防止梯度越界，預設值為1.0，即不使用縮放；batch_size：目前訓練一個step所使用的資料量，預設為32；
- decay_filter：選擇對哪些層做weight decay，當weight_decay>0時起作用；split_indices：這個參數的作用是用于加速allreduce過程。
- _get_Ainv_Ginv_Amax_Gmax_list函數用于計算協方差矩陣A/G的逆，并傳回求完逆後的矩陣。具體過程是周遊模型所有層，按層處理，對每一層的協方差矩陣加上正則化項，然後對矩陣進行cholesky分解進而來求逆。目前開源代碼THOR中支援全連接配接層和卷積層的處理。
def _get_Ainv_Ginv_Amax_Gmax_list(self, gradients, damping_step, matrix_a_allreduce, matrix_g_allreduce,
matrix_a_max_allreduce, matrix_g_max_allreduce):
"""get matrixA inverse list, matrixG inverse list, matrixA_max list, matrixG_max list"""
for i in range(len(self.params)):
thor_layer_count = self.weight_fim_idx_map[i]
conv_layer_count = self.weight_conv_idx_map[i]
layer_type = self.weight_layerType_idx_map[i]
if layer_type in [Conv, FC, Embedding]:
g = gradients[i]
matrix_A = self.matrix_A_cov[thor_layer_count]
matrix_G = self.matrix_G_cov[thor_layer_count]
matrix_A = F.depend(matrix_A, g)
matrix_G = F.depend(matrix_G, g)
A_shape = self.shape(matrix_A)
A_eye = self.eye(A_shape[0], A_shape[0], mstype.float32)
G_shape = self.shape(matrix_G)
G_eye = self.eye(G_shape[0], G_shape[0], mstype.float32)
if layer_type == Conv:
...
elif layer_type == FC:
matrix_A = matrix_A + damping * A_eye
matrix_A_inv = self.cholesky(matrix_A)
matrix_A_inv = self.vector_matmul(matrix_A_inv, matrix_A_inv) - _get_second_gradients函數用于計算最終參數更新方向，在論文中參數更新方向公式為
,是以代碼實際實作的方式為
，代碼如下
def _get_second_gradients(self, new_grads, damping_step, gradients):
"""get second gradients for thor"""
params_len = len(self.params)
for i in range(params_len):
...
else:
...
elif layer_type == FC:
temp_a = self.matrix_A_cov[thor_layer_count]
temp_g = self.matrix_G_cov[thor_layer_count]
temp_a = self.cast(temp_a, mstype.float16)
temp_g = self.cast(temp_g, mstype.float16)
g = self.cast(g, mstype.float16)
g = self.matmul(temp_g, g)
g = self.matmul(g, temp_a)
g = self.cast(g, mstype.float32) construct函數是在網絡訓練過程中會實際執行的内容，該函數中包含了上述兩個函數_get_Ainv_Ginv_Amax_Gmax_list和_get_second_gradients的調用，該函數完成了二階矩陣的計算和梯度更新方向的調整。
def construct(self, gradients):
params = self.params
moments = self.moments
damping_step = self.gather(self.damping, self.cov_step, self.axis)
damping_step = self.cast(damping_step, mstype.float32)
if self.thor:
matrix_A_allreduce = ()
matrix_G_allreduce = ()
matrix_A_max_allreduce = ()
matrix_G_max_allreduce = ()
matrix_A_allreduce, matrix_G_allreduce, matrix_A_max_allreduce, matrix_G_max_allreduce = \
self._get_Ainv_Ginv_Amax_Gmax_list(gradients, damping_step, matrix_A_allreduce, matrix_G_allreduce,
matrix_A_max_allreduce, matrix_G_max_allreduce) #計算A/G的逆
...
new_grads = ()
for i in range(len(self.params)):
...
if self.conv_layer_count > 0:#有卷積層時的處理
...
else: #都是全連接配接層時的處理
if layer_type == Embedding:
...
elif layer_type == FC:
temp_a = matrix_A_allreduce[thor_layer_count]
temp_g = matrix_G_allreduce[thor_layer_count]
fake_A = self.assign(self.matrix_A_cov[thor_layer_count], temp_a)
fake_G = self.assign(self.matrix_G_cov[thor_layer_count], temp_g)
g = F.depend(g, fake_A)#確定執行順序
g = F.depend(g, fake_G)
temp_a = self.cast(temp_a, mstype.float16)
temp_g = self.cast(temp_g, mstype.float16)
g = self.cast(g, mstype.float16)
g = self.matmul(temp_g, g)
g = self.matmul(g, temp_a)#将一階方向變為二階方向
g = self.cast(g, mstype.float32)
elif layer_type == LayerNorm:
g = self._process_layernorm(damping_step, g)
new_grads = new_grads + (g,)
gradients = new_grads #計算後得到的更新方向
else: #該分支表示使用過時二階資訊更新參數
new_grads = ()
gradients = self._get_second_gradients(new_grads, damping_step, gradients) #調用_get_second_gradients函數計算方向
... THOR的實踐應用
在這一節中跟大家分享下THOR的實踐應用，舉了兩個例子分别為ResNet50和BERT，這兩個例子的代碼也已開源，連結如下：ResNet50:https://gitee.com/mindspore/mindspore/blob/master/model_zoo/official/cv/resnet/train.pyBERT:https://gitee.com/mindspore/mindspore/blob/master/model_zoo/official/nlp/bert/run_pretrain.py
ResNet50[1]
優化器的調用方式與文中開頭提到的一緻，在這個例子中把具體訓練過程給展開了。
首先建立了網絡訓練需要的訓練集和網絡定義為ResNet50；随後設定THOR所需要用到的超參政策，其他超參值設定可去該目錄下的src/config.py中修改；接着建立THOR優化器，并傳入設定的超參值；然後轉換模型儲存二階所需資訊；最後就可以訓練網絡了。
from mindspore.nn.optim import Momentum, THOR #引用二階優化器
from src.resnet import resnet50 as resnet
from mindspore.train.model import Model
...
if __name__ == '__main__':
...
#建立網絡訓練過程中的訓練集
dataset = create_dataset(dataset_path=args_opt.dataset_path, do_train=True, repeat_num=1,
batch_size=config.batch_size, target=target, distribute=args_opt.run_distribute)
step_size = dataset.get_dataset_size()
#建立resnet50模型
net = resnet(class_num=config.class_num)
...
# init lr
if cfg.optimizer == "Thor":
#設定超參值
from src.lr_generator import get_thor_lr
lr = get_thor_lr(0, config.lr_init, config.lr_decay, config.lr_end_epoch, step_size, decay_epochs=39)
# define loss, model
if target == "Ascend":
if args_opt.dataset == "imagenet2012":
if not config.use_label_smooth:
config.label_smooth_factor = 0.0
loss = CrossEntropySmooth(sparse=True, reduction="mean",
smooth_factor=config.label_smooth_factor, num_classes=config.class_num)
else:
loss = SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
loss_scale = FixedLossScaleManager(config.loss_scale, drop_overflow_update=False)
#高層抽象，內建網絡模型的訓練和測試
model = Model(net, loss_fn=loss, optimizer=opt, loss_scale_manager=loss_scale, metrics={'acc'},
amp_level="O2", keep_batchnorm_fp32=False)
if cfg.optimizer == "Thor" and args_opt.dataset == "imagenet2012":
from src.lr_generator import get_thor_damping
#設定超參damping
damping = get_thor_damping(0, config.damping_init, config.damping_decay, 70, step_size)
#用于通信時的并行加速
split_indices = [26, 53]
#建立THOR優化器
opt = THOR(net, lr, Tensor(damping), config.momentum, config.weight_decay, config.loss_scale,
config.batch_size, split_indices=split_indices)
#增加計算圖提升性能
model = ConvertModelUtils().convert_to_thor_model(model=model, network=net, loss_fn=loss, optimizer=opt,
loss_scale_manager=loss_scale, metrics={'acc'},
amp_level="O2", keep_batchnorm_fp32=False,
frequency=config.frequency)
...
#訓練網絡
model.train(config.epoch_size - config.pretrain_epoch_size, dataset, callbacks=cb,
sink_size=dataset.get_dataset_size(), dataset_sink_mode=dataset_sink_mode) 最後輸入
即可運作腳本啦。
BERT[2]
BERT中步驟與ResNet50差不多。首先建立了網絡訓練需要的訓練集和網絡定義為BERT；随後設定THOR所需要用到的超參政策，其他超參值設定可去該目錄下的src/config.py中修改；優化器建立時傳入BERT設定的超參值，本例中建立時傳入了：
表示做weight decay操作時排除LN層和FC中的bias參數；然後轉換模型儲存二階所需資訊；最後就可以訓練網絡了。
from mindspore.nn.optim import Lamb, Momentum, AdamWeightDecay, THOR #引用二階優化器
from src import BertNetworkWithLoss
...
def _get_optimizer(args_opt, network):
"""get bert optimizer, support Lamb, Momentum, AdamWeightDecay."""
if cfg.optimizer == 'Lamb':
...
elif cfg.optimizer == "Thor":
from src.utils import get_bert_thor_lr, get_bert_thor_damping
#設定lr和damping的超參值
lr = get_bert_thor_lr(cfg.Thor.lr_max, cfg.Thor.lr_min, cfg.Thor.lr_power, cfg.Thor.lr_total_steps)
damping = get_bert_thor_damping(cfg.Thor.damping_max, cfg.Thor.damping_min, cfg.Thor.damping_power,
cfg.Thor.damping_total_steps)
split_indices = None
#設定并行加速方式
if bert_net_cfg.num_hidden_layers == 12:
if bert_net_cfg.use_relative_positions:
split_indices = [29, 58, 87, 116, 145, 174, 203, 217]
else:
split_indices = [28, 55, 82, 109, 136, 163, 190, 205]
elif bert_net_cfg.num_hidden_layers == 24:
if bert_net_cfg.use_relative_positions:
split_indices = [30, 90, 150, 210, 270, 330, 390, 421]
else:
split_indices = [38, 93, 148, 203, 258, 313, 368, 397]
#建立優化器
optimizer = THOR(network, lr, damping, cfg.Thor.momentum,
cfg.Thor.weight_decay, cfg.Thor.loss_scale, cfg.batch_size,
decay_filter=lambda x: 'layernorm' not in x.name.lower() and 'bias' not in x.name.lower(),
split_indices=split_indices)
...
return optimizer
def run_pretrain():
...
#建立資料集
ds = create_bert_dataset(device_num, rank, args_opt.do_shuffle, args_opt.data_dir, args_opt.schema_dir)
#網絡和損失函數建立
net_with_loss = BertNetworkWithLoss(bert_net_cfg, True)
...
#加載初始checkpoint
if args_opt.load_checkpoint_path:
param_dict = load_checkpoint(args_opt.load_checkpoint_path)
load_param_into_net(net_with_loss, param_dict)
#動态loss縮放
if args_opt.enable_lossscale == "true":
...
#固定loss縮放值
else:
#反向過程梯度計算過程建立
net_with_grads = BertTrainOneStepCell(net_with_loss, optimizer=optimizer)
#建立網絡
model = Model(net_with_grads)
#增加計算圖提升性能
model = ConvertModelUtils().convert_to_thor_model(model, network=net_with_grads, optimizer=optimizer,
frequency=cfg.Thor.frequency)
#網絡訓練
model.train(new_repeat_count, ds, callbacks=callback,
dataset_sink_mode=(args_opt.enable_data_sink == "true"), sink_size=args_opt.data_sink_steps)
if __name__ == '__main__':
set_seed(0) 即可運作腳本啦.至此高階優化器系列的内容就結束啦，該系列總共有三篇文章分别從優化器的背景，MindSpore自研優化器的介紹和MindSpore 高階優化器THOR 的源碼分析&實踐應用這三個内容來跟大家分享，如有不足之處歡迎大家批評指正。同時也歡迎大家到MindSpore開源社群中一起玩耍。
參考文獻：
[1]He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.
[2]Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:1810.04805, 2018.
點選關注，第一時間了解華為雲新鮮技術~