大数据文摘出品
来源：medium
编译：赵吉克
在过去的几年里，深度学习硬件方面取得了巨大的进步，Nvidia的最新产品Tesla V100和Geforce RTX系列包含专用的张量核，用于加速神经网络中常用的操作。
特别值得一提的是，V100有足够的能力以每月几张图的速度训练神经网络，这基于ImageNet数据集小模型在单GPU上训练只需几小时，与2012年在ImageNet上训练AlexNet模型所花费的5天时间划分简直是天壤之别！
然而，强大的GPU使数据预处理管道不堪重负。为了解决这个问题，Tensorflow发布了一个新的数据加载器：tf.data.Dataset，用C ++编写，并使用基于图的方法将多个预处理操作链接在一起。
同时，PyTorch使用在PIL库上用Python编写的数据加载器，既方便优柔，但在速度上有欠缺（尽管PIL-SIMD库确实稍微改善了这种情况）。
进入NVIDIA数据加载器（DALI）：预先消除数据预先准备，允许训练和推理全速运行。DALI主要用于在GPU上的预调试，但大多数操作同时CPU上有快速实现。本文主要关注PyTorch，但是DALI也支持Tensorflow，MXNet和TensorRT，尤其是TensorRT有高度支持。它允许训练和推理步骤使用完全相同的预处理代码。需注意，不同的框架（如Tensorflow和PyTorch）通常在数据加载器之间有很小的差异，这可能会影响精确。
本文是中上一位博主展示了一些技术来提高DALI的使用率并创建了一个完全基于cpu的管道。这些技术用于保持长期的内存稳定，并且与DALI包提供的CPU和GPU管道相比，可以增加50％的批处理大小。
DALI长期内存使用
第一个问题是，RAM的使用通过训练时间的增加而增加，这会导致OOM错误（即使是在拥有78GB RAM的VM上），并且尚未修正。
唯一解决方案是重新导入DALI并每次重新训练和验证通道：
del self.train_loader,self.val_loader,self.train_pipe,self.val_pipe
torch.cuda.synchronize()
torch.cuda.empty_cache()
gc.collect()
importlib.reload(dali)
from dali import HybridTrainPipe,HybridValPipe,DaliIteratorCPU,DaliIteratorGPU
<rebuild DALI pipeline>
请注意，使用这种方法，DALI仍然需要大量RAM才能获得最佳的结果。考虑到如今RAM的价格，这并不是什么大问题。从可以修剪，DALI的最大批大小可能比TorchVision低50％：
接下来的部分涉及降低GPU占用率的方法。
构建一个完全基于CPU的管道
让我们首先看看示例CPU管道。当不考虑峰值吞吐量时，基于CPU的管道非常有用。CPU训练管道只在CPU上执行解码和调整大小的操作，而CropMirrorNormalize操作则在GPU上运行。由于仅仅是传输输出到GPU与DALI就使用替换的GPU内存，为了避免这种情况，我们修改了示例CPU管道，可以完全运行在CPU上：
class HybridTrainPipe(Pipeline):
def __init__(self,batch_size,num_threads,device_id,data_dir,crop,
mean,std,local_rank=0,world_size=1,dali_cpu=False,shuffle=True,fp16=False,
min_crop_size=0.08):
# As we're recreating the Pipeline at every epoch,the seed must be -1 (random seed)
super(HybridTrainPipe,self).__init__(batch_size,seed=-1)
# Enabling read_ahead slowed down processing ~40%
self.input = ops.FileReader(file_root=data_dir,shard_id=local_rank,num_shards=world_size,
random_shuffle=shuffle)
# Let user decide which pipeline works best with the chosen model
if dali_cpu:
decode_device = "cpu"
self.dali_device = "cpu"
self.flip = ops.Flip(device=self.dali_device)
else:
decode_device = "mixed"
self.dali_device = "gpu"
output_dtype = types.FLOAT
if self.dali_device == "gpu" and fp16:
output_dtype = types.FLOAT16
self.cmn = ops.CropMirrorNormalize(device="gpu",
output_dtype=output_dtype,
output_layout=types.NCHW,
crop=(crop,crop),
image_type=types.RGB,
mean=mean,
std=std,)
# To be able to handle all images from full-sized ImageNet,this padding sets the size of the internal nvJPEG buffers without additional reallocations
device_memory_padding = 211025920 if decode_device == 'mixed' else 0
host_memory_padding = 140544512 if decode_device == 'mixed' else 0
self.decode = ops.ImageDecoderRandomCrop(device=decode_device,output_type=types.RGB,
device_memory_padding=device_memory_padding,
host_memory_padding=host_memory_padding,
random_aspect_ratio=[0.8,1.25],
random_area=[min_crop_size,1.0],
num_attempts=100)
# Resize as desired. To match torchvision data loader,use triangular interpolation.
self.res = ops.Resize(device=self.dali_device,resize_x=crop,resize_y=crop,
interp_type=types.INTERP_TRIANGULAR)
self.coin = ops.CoinFlip(probability=0.5)
print('DALI "{0}" variant'.format(self.dali_device))
def define_graph(self):
rng = self.coin()
self.jpegs,self.labels = self.input(name="Reader")
# Combined decode & random crop
images = self.decode(self.jpegs)
# Resize as desired
images = self.res(images)
if self.dali_device == "gpu":
output = self.cmn(images,mirror=rng)
else:
# CPU backend uses torch to apply mean & std
output = self.flip(images,horizontal=rng)
self.labels = self.labels.gpu()
return [output,self.labels]
基于GPU的管道
测试中，在类似最大批处理大小下，上述CPU管道的速度大约是TorchVision数据加载器的两倍。CPU管道可以很好地与像ResNet50这样的大型模型一起工作; 然而，当使用像AlexNet或ResNet18这样的小模型时，CPU 更好。GPU管道的问题是最大批处理大小减少了近50％，限制了钨。
一种显着减少GPU内存使用的方法是将验证管道与GPU隔离直到最后再调用。这很容易做到，因为我们已经重新导入DALI，并在每个历元中重新创建数据加载器。
更多小提示
在验证时，将数据集均分的批处理大小效果最好，这避免了在验证数据集结束时还需要进行不完整的批处理。
与Tensorflow和PyTorch数据加载器类似，TorchVision和DALI管道不会产生相同的输出-您将看到验证精度略有不同。我发现这是由于不同的JPEG图像解码器。且，DALI支持TensorRT，允许使用完全相同的预先来进行训练和推理。
对于前端兆，尝试将数据加载器的数量设置为_virtual_CPU核心的数量，2个虚拟核对应1个物理核。
如果您想要绝对最好的性能和不需要有类似TorchVision的输出，尝试关闭DALI三角形插值。
不要忘记磁盘IO。确保您有足够的内存来缓存数据集和/或一个非常快的SSD。DALI读取高达400Mb / s！
合并
为了方便地集成这些修改，我创建了一个数据加载器类，其中包含此处描述的所有修改，包括DALI和TorchVision的。使用很简单。实例化数据加载程序：
dataset = Dataset(data_dir,
batch_size,
val_batch_size
workers,
use_dali,
dali_cpu,
fp16)
然后得到训练和验证数据加载器：
train_loader = dataset.get_train_loader()
val_loader = dataset.get_val_loader()
在每个训练周期结束时重置数据加载器：
dataset.reset()
或者，验证管道可以在模型验证之前在GPU上重新创建：
dataset.prep_for_val()
基准
以下是使用ResNet18的最大批量大小：
因此，通过应用这些修改，DALI可以在CPU和GPU模式下使用的最大批处理大小增加了约50％！
这里是一些使用Shufflenet V2 0.5和批量大小512的骨折图：
这里是一些使用DALI GPU管道训练各种网络，包括在TorchVision：
所有测试都在谷歌Cloud V100实例上运行，该实例有12个vcpu（6个物理核心），78GB RAM，并使用Apex FP16培训。要重现这些结果，请使用以下参数：
— fp16 — batch-size 512 — workers 10 — arch “shufflenet_v2_x0_5 or resnet18” — prof — use-dali
所以，DALI因此单核特斯拉V100可以达到接近4000张/秒的图像处理速度！这达到了Nvidia DGX-1的一半多一点（它有8个V100 gpu），尽管我们使用了小模型。对我来说，能够在几个小时内在一个GPU上运行ImageNet是改善进步。
本文中提供的代码如下：
https://github.com/yaysummeriscoming/DALI_pytorch_demo
相关报道：
https://towardsdatascience.com/nvidia-dali-speeding-up-pytorch-876c80182440返回搜狐，查看更多
责任编辑：
