其他分享
首页 > 其他分享> > 计图(Jittor) 1.1版本:新增骨干网络、JIT功能升级、支持多卡训练

计图(Jittor) 1.1版本:新增骨干网络、JIT功能升级、支持多卡训练

作者:互联网

计图(Jittor) 1.1版本:新增骨干网络、JIT功能升级、支持多卡训练

深度学习框架—计图(Jittor),Jittor的新版本V1.1上线了。主要变化包括:

此外,Jittor还新增支持了大量神经网络算子,完善了对深度神经网络开发的支持。

新增骨干网络

Jittor 1.1版本在模型库中新增了大量基础骨干网络,用户可以基于这些基础骨干网络搭建自己的深度学习模型。这些骨干网络参数与PyTorch参数格式兼容,可以相互加载调用,方便用户学习和迁移。

更新的骨干网络包括:

import jittor.models

from jittor.models import \

    alexnet, \

    googlenet, \

    inception_v3, \

    mnasnet, \

    mobilenet_v2, \

    resnext101_32x8d, \

    shufflenetv2, \

    squeezenet, \

    wide_resnet101_2

 

# 更多主干网络支持请参考

print(dir(jittor.models))

下面是对AlexNet、VGG、ResNet、Wide ResNet和SqueezeNet等多种骨干网络,在不同的batch size下,Jittor与PyTorch的单次前向性能对比,图1中横轴为不同Batch size,纵轴为FPS(每秒处理的图像数)。实验环境为:GPU为1080ti,显存11GB,CPU为i7-6850K,内存32GB,使用32位浮点数计算。

 

 

 可以看出Jittor在这些常用骨干网络上的速度非常可观,大多数网络Jittor会有速度的提升。

增强辅助转换脚本

此次更新还提供了简单的辅助转换脚本,支持从PyTorch转换模型代码,暂不支持模型以外代码,下面是一个简单的实例:

from jittor.utils.pytorch_converter import convert

pytorch_code = """

class Model(nn.Module):

    def __init__(self):

        super().__init__()

        self.conv1 = nn.Conv2d(1, 10, 3)

        self.conv2 = nn.Conv2d(10, 32, 3)

        self.fc = nn.Linear(1200, 100)

   

    def forward(self, x):

        x = self.conv1(x)

        x = self.conv2(x)

        x = x.view(x.size(0), -1)

        x = self.fc(x)

        return x

"""

jittor_code = convert(pytorch_code)

print("## Generate Jittor code:", jittor_code)

exec(jittor_code)

model = Model()

print("## Jittor model:", model)

上面的脚本将输出计图模型代码,以及一个可用的模型:

## 生成的计图代码:

import jittor as jt

from jittor import init

from jittor import nn

 

class Model(nn.Module):

 

    def __init__(self):

        super().__init__()

        self.conv1 = nn.Conv(1, 10, 3)

        self.conv2 = nn.Conv(10, 32, 3)

        self.fc = nn.Linear(1200, 100)

 

    def execute(self, x):

        x = self.conv1(x)

        x = self.conv2(x)

        x = x.view((x.shape[0], (- 1)))

        x = self.fc(x)

        return x

 

## 计图模型:

Model(

    conv1: Conv(1, 10, (3, 3), (1, 1), (0, 0), (1, 1), groups=1, bias=float[10,])

    conv2: Conv(10, 32, (3, 3), (1, 1), (0, 0), (1, 1), groups=1, bias=float[32,])

    fc: Linear(1200, 100, float32[100,], None)

)

关于模型转换脚本的详细使用请参考计图官方文档。

JIT功能升级

Jittor 1.1版本的 JIT(动态编译)功能的增强,主要体现在code算子的功能增强上。Code算子是一个基于高性能语言的动态编译算子,允许用户直接在Python中内联C++/CUDA代码,只需要寥寥数行代码,就可以完成高性能的自定义算子开发,降低用户开发自定义算子的难度。

下面的实例展示了如何使用code算子,使用数行代码实现三维点云中十分常用的K近邻查找。Code算子的设计和实现,让用户既可以享受到Python语言的便捷与易用性,又可以获得高性能语言的性能。

a = jt.random((n,3))

b = jt.code([n, k], "int32", [a],

cpu_header="#include <algorithm>",

cpu_src="""

  using namespace std;

  auto n=out_shape0, k=out_shape1;

  // 使用openmp实现自动并行化

  #pragma omp parallel for

  for (int i=0; i<n; i++) {

    // 存储k近邻的距离和下标

    vector<pair<float,int>> id(n);

    for (int j=0; j<n; j++) {

      auto dx = @in0(i,0)-@in0(j,0);

      auto dy = @in0(i,1)-@in0(j,1);

      auto dz = @in0(i,2)-@in0(j,2);

      id[j] = {dx*dx+dy*dy+dz*dz, j};

    }

    // 使用c++算法库的nth_element排序

    nth_element(id.begin(),

      id.begin()+k, id.end());

    // 将下标输出到计图的变量中

    for (int j=0; j<k; j++)

      @out(i,j) = id[j].second;

  }"""

)

将计图使用code算子实现的K近邻查找,和PyTorch的算子用时进行比较,速度对比如下(k=10,点云数量n=[100,1000,10000]):

参数

n=100

n=1000

n=10000

PyTorch

433 µs

7.6 ms

623 ms

Jittor

68 µs

5.9 ms

484 ms

速度对比

6.4X

1.29X

1.29X

 

 

 

 

 

 

 

注:此处使用的K近邻算法为暴力算法,还存在更优的算法实现,由于文章篇幅有限,此处仅用于展示Code算子的使用。

更新大幅度提升了code算子的易用性和可读性,主要包含以下几点:

具体文档请参考help(jt.code)和提供的文档,计图提供了多种实例以供参考。目前内联C++代码支持CUDA和openmp,未来会加入更多语言和库的支持。

分布式接口

计图本次分布式更新主要基于MPI(Message Passing Interface),依赖OpenMPI,用户可以使用如下命令安装OpenMPI:

sudo apt install openmpi-bin openmpi-common libopenmpi-dev

OpenMPI安装完成以后,用户无需修改代码,需要做的仅仅是修改启动命令行,计图就会用数据并行的方式自动完成并行操作。

# 单卡训练代码

python3.7 -m jittor.test.test_resnet

# 分布式多卡训练代码

mpirun -np 4 python3.7 -m jittor.test.test_resnet

# 指定特定显卡的多卡训练代码

CUDA_VISIBLE_DEVICES="2,3" mpirun -np 2 python3.7 -m jittor.test.test_resnet

这种便捷性的背后是计图的分布式算子的支撑,计图支持的mpi算子后端会使用nccl进行进一步的加速。计图所有分布式算法的开发均在Python前端完成,这让分布式算法的灵活度增强,开发分布式算法的难度也大大降低。下面的代码是使用计图实现分布式同步批归一化层的实例代码:

def execute(self, x):

    if self.is_train:

        xmean = jt.mean(x, dims=[0,2,3], keepdims=1)

        x2mean = jt.mean(x*x, dims=[0,2,3], keepdims=1)

        if self.sync and jt.mpi:

            xmean = xmean.mpi_all_reduce("mean")

            x2mean = x2mean.mpi_all_reduce("mean")

 

        xvar = x2mean-xmean*xmean

        norm_x = (x-xmean)/jt.sqrt(xvar+self.eps)

        self.running_mean += (xmean.sum([0,2,3])-self.running_mean)*self.momentum

        self.running_var += (xvar.sum([0,2,3])-self.running_var)*self.momentum

    else:

        running_mean = self.running_mean.broadcast(x, [0,2,3])

        running_var = self.running_var.broadcast(x, [0,2,3])

        norm_x = (x-running_mean)/jt.sqrt(running_var+self.eps)

    w = self.weight.broadcast(x, [0,2,3])

    b = self.bias.broadcast(x, [0,2,3])

    return norm_x * w + b

这次更新,开放了mpi算子的稳定接口,用户可以自行使用mpi算子开发所需的自定义的分布式算法,相关文档请参考help(jittor.mpi.ops)和计图分布式教程。基于这些mpi算子接口,研发团队已经集成了如下三种分布式相关的算法:

其他更新

教程更新列表:

算子更新列表:

损失函数更新列表:

分布式相关算子:

 

标签:code,1.1,self,多卡,JIT,算子,jittor,分布式,计图
来源: https://www.cnblogs.com/wujianming-110117/p/14394901.html