内存减少 Tensorflow TPU v2/v3 bfloat16

Question

我的模型太大，无法使用普通 v2 TPU 设备获得大于 64 的批次。在 troubleshooting 网站上提到即将推出的 tensorflow 版本将支持 bfloat16。新支持的 tf 版本 1.9-1.12 现在是否能够使用 bfloat16？如果是，我可以使用的优化器是否有限？我没有找到任何关于此的进一步文档，但在 tensor2tensor 模型中看到了 bfloat16 的用法，所以我想一定有办法。

此外，我读到 TPU v3 supports bigger models as well 但该模型需要进行最少的更改，但我没有找到任何需要更改的文档。

我已经在使用 Adafactor 并尝试减少我的层数，如果您有任何进一步的减少技巧，那也很好。我正在使用图片矩阵和词向量（目前为 float32）作为输入。

Answer 1

您可以将 bfloat16 与 TPU 结合使用。主要有两件事要做：

将输入转换为输入管道中的 bfloat16
将您的网络包围在 bfloat16 范围内，并将输出转换为 F32 以进行进一步计算。

这是一个代码片段，说明了必要的更改：

def input_fn():

  def dataset_parser(self, value):
    """Parse an ImageNet record from a serialized string Tensor."""
    image = self.image_preprocessing_fn(
        image_bytes=image_bytes,
        is_training=self.is_training,
    )

    if self.use_bfloat16:
      image = tf.cast(image, tf.bfloat16)

    return image, label


def resnet_model_fn(features, labels, mode, params):
  """The model_fn for ResNet to be used with TPUEstimator."""

  # This nested function allows us to avoid duplicating the logic which
  # builds the network, for different values of --precision.
  def build_network():
    network = resnet_model.resnet_v1(
        resnet_depth=FLAGS.resnet_depth,
        num_classes=LABEL_CLASSES,
        data_format=FLAGS.data_format)
    return network(
        inputs=features, is_training=(mode == tf.estimator.ModeKeys.TRAIN))

  if FLAGS.precision == 'bfloat16':
    with bfloat16.bfloat16_scope():
      logits = build_network()
    logits = tf.cast(logits, tf.float32)
  elif FLAGS.precision == 'float32':
    logits = build_network()

您还可以看到this TPU model中说明的第二个条件。

内存减少 Tensorflow TPU v2/v3 bfloat16

Memory reduction Tensorflow TPU v2/v3 bfloat16

python

tensorflow

google-compute-engine

google-cloud-tpu