GradScaler

class paddle.amp.GradScaler ( enable=True, init_loss_scaling=32768.0, incr_ratio=2.0, decr_ratio=0.5, incr_every_n_steps=1000, decr_every_n_nan_or_inf=2, use_dynamic_loss_scaling=True ) [源代码]

GradScaler用于动态图模式下的”自动混合精度”的训练。它控制loss的缩放比例，有助于避免浮点数溢出的问题。这个类具有 scale() 和 minimize() 两个方法。

scale() 用于让loss乘上一个缩放的比例。 minimize() 与 optimizer.minimize() 类似，执行参数的更新。

通常，GradScaler和 paddle.amp.auto_cast 一起使用，来实现动态图模式下的”自动混合精度”。

参数：

  • enable (bool, 可选) - 是否使用loss scaling。默认值为True。

  • init_loss_scaling (float, 可选) - 初始loss scaling因子。默认值为32768.0。

  • incr_ratio (float, 可选) - 增大loss scaling时使用的乘数。默认值为2.0。

  • decr_ratio (float, 可选) - 减小loss scaling时使用的小于1的乘数。默认值为0.5。

  • incr_every_n_steps (int, 可选) - 连续n个steps的梯度都是有限值时，增加loss scaling。默认值为1000。

  • decr_every_n_nan_or_inf (int, 可选) - 累计出现n个steps的梯度为nan或者inf时，减小loss scaling。默认值为2。

  • use_dynamic_loss_scaling (bool, 可选) - 是否使用动态的loss scaling。如果不使用，则使用固定的loss scaling；如果使用，则会动态更新loss scaling。默认值为True。

返回：

一个GradScaler对象。

代码示例：

  1. import paddle
  3. model = paddle.nn.Conv2D(3, 2, 3, bias_attr=True)
  4. optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
  5. scaler = paddle.amp.GradScaler(init_loss_scaling=1024)
  6. data = paddle.rand([10, 3, 32, 32])
  8. with paddle.amp.auto_cast():
  9.     conv = model(data)
  10.     loss = paddle.mean(conv)
  12. scaled = scaler.scale(loss)  # scale the loss
  13. scaled.backward()            # do backward
  14. scaler.minimize(optimizer, scaled)  # update parameters

scale ( var )

将Tensor乘上缩放因子，返回缩放后的输出。 如果这个 GradScaler 的实例不使用loss scaling，则返回的输出将保持不变。

参数：

  • var (Tensor) - 需要进行缩放的Tensor。

返回：缩放后的Tensor或者原Tensor。

代码示例：

  1. import paddle
  3. model = paddle.nn.Conv2D(3, 2, 3, bias_attr=True)
  4. optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
  5. scaler = paddle.amp.GradScaler(init_loss_scaling=1024)
  6. data = paddle.rand([10, 3, 32, 32])
  8. with paddle.amp.auto_cast():
  9.     conv = model(data)
  10.     loss = paddle.mean(conv)
  12. scaled = scaler.scale(loss)  # scale the loss
  13. scaled.backward()            # do backward
  14. scaler.minimize(optimizer, scaled)  # update parameters

minimize ( optimizer, \args, **kwargs* )

这个函数与 optimizer.minimize() 类似，用于执行参数更新。 如果参数缩放后的梯度包含NAN或者INF，则跳过参数更新。否则，首先让缩放过梯度的参数取消缩放，然后更新参数。 最终，更新loss scaling的比例。

参数：

  • optimizer (Optimizer) - 用于更新参数的优化器。

  • args - 参数，将会被传递给 optimizer.minimize() 。

  • kwargs - 关键词参数，将会被传递给 optimizer.minimize() 。

代码示例：

  1. import paddle
  3. model = paddle.nn.Conv2D(3, 2, 3, bias_attr=True)
  4. optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
  5. scaler = paddle.amp.GradScaler(init_loss_scaling=1024)
  6. data = paddle.rand([10, 3, 32, 32])
  8. with paddle.amp.auto_cast():
  9.     conv = model(data)
  10.     loss = paddle.mean(conv)
  12. scaled = scaler.scale(loss)  # scale the loss
  13. scaled.backward()            # do backward
  14. scaler.minimize(optimizer, scaled)  # update parameters