Pytorch中torch.utils.checkpoint()及用法详解

Pytorch中torch.utils.checkpoint()

在PyTorch中，torch.utils.checkpoint 模块提供了实现梯度检查点（也称为checkpointing）的功能。这个技术主要用于训练时内存优化，它允许我们以计算时间为代价，减少训练深度网络时的内存占用。

原理

梯度检查点技术的基本原理是，在前向传播的过程中，并不保存所有的中间激活值。相反，它只保存一部分关键的激活值。在反向传播时，根据保留的激活值重新计算丢弃的中间激活值。因此内存的使用量会下降，但计算量会增加，因为需要重新计算一些前向传播的部分。

用法

torch.utils.checkpoint 中主要的函数是 checkpoint。checkpoint 函数可以用来封装模型的一部分或者一个复杂的运算，这部分会使用梯度检查点。它的一般用法是：

import torch
from torch.utils.checkpoint import checkpoint
# 定义一个前向传播函数
def custom_forward(*inputs):
    # 定义你的前向传播逻辑
    # 例如: x, y = inputs; result = x + y
    ...
    return result
# 在训练的前向传播过程中使用梯度检查点
model_output = checkpoint(custom_forward, *model_inputs)

在每次调用 custom_forward 函数时，它都会返回正常的前向传播结果。不过，checkpoint 函数会确保仅保留必须的激活值（即 custom_forward 的输出）。其他激活值不会保存在内存中，需要在反向传播时重新计算。

下面是一个具体的示例，演示了如何在一个简单的模型中使用 checkpoint 函数：

import torch
import torch.nn as nn
from torch.utils.checkpoint import checkpoint
class SomeModel(nn.Module):
    def __init__(self):
        super(SomeModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 50, 5)
    def forward(self, x):
        # 使用checkpoint来减少第二层卷积的内存使用量
        x = self.conv1(x)
        x = checkpoint(self.conv2, x)
        return x
model = SomeModel()
input = torch.randn(1, 1, 28, 28)
output = model(input)
loss = output.sum()
loss.backward()

在上面的例子中，conv2的前向计算是通过 checkpoint 封装的，这意味着在 conv1 的输出和 conv2 的输出之间的激活值不会被完全存储。在反向传播时，这些丢失的激活值会通过再次前向传递 conv2 来重新计算。
使用梯度检查点技术可以在训练大型模型时减少显存的占用，但由于在反向传播时额外的重新计算，它会增加一些计算成本。

到此这篇关于Pytorch中torch.utils.checkpoint()及用法详解的文章就介绍到这了,更多相关Pytorch torch.utils.checkpoint()内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！