Sortie de la version officielle de PyTorch 2.0 ! Une ligne de code accélère 2 fois, 100 % rétrocompatible

La version officielle de PyTorch 2.0 est enfin là !

En décembre dernier, la Fondation PyTorch a publié la première version préliminaire de PyTorch 2.0 lors de la conférence PyTorch 2022.

Par rapport à la version précédente 1.0, la 2.0 a subi des changements subversifs. Dans PyTorch 2.0, la plus grande amélioration est torch.compile.

Le nouveau compilateur peut générer du code à la volée beaucoup plus rapidement que le "mode impatient" par défaut de PyTorch 1.0, améliorant encore les performances de PyTorch.

En plus de la version 2.0, une série de mises à jour bêta ont été publiées pour les bibliothèques de domaine PyTorch, y compris celles de l'arborescence, ainsi que pour les bibliothèques autonomes, notamment TorchAudio, TorchVision et TorchText. Des mises à jour de TorchX sont également publiées en même temps pour fournir un mode de support communautaire.

Résumé des points forts

- torch.compile est l'API principale de PyTorch 2.0, elle enveloppe et renvoie le modèle compilé, torch.compile est une fonctionnalité entièrement complémentaire (et facultative), donc La version 2.0 est 100 % rétrocompatible.

- En tant que technologie sous-jacente de torch.compile, TorchInductor avec les GPU Nvidia et AMD s'appuiera sur le compilateur d'apprentissage en profondeur OpenAI Triton pour générer du code haute performance et masquer les détails matériels de bas niveau. Les performances des implémentations de noyau générées par OpenAI Triton sont comparables à celles des noyaux manuscrits et des bibliothèques CUDA spécialisées telles que cublas.

- Les transformateurs accélérés introduisent une prise en charge hautes performances pour la formation et l'inférence, en utilisant une architecture de noyau personnalisée pour implémenter Scaled Dot Product Attention (SPDA). L'API est intégrée à torch.compile(), et les développeurs de modèles peuvent également utiliser directement les noyaux d'attention de produit scalaire mis à l'échelle en appelant le nouvel opérateur scaled_dot_product_attention().

- Le backend Metal Performance Shaders (MPS) fournit une formation PyTorch accélérée par GPU sur la plate-forme Mac et ajoute la prise en charge des 60 opérations les plus couramment utilisées, couvrant plus de 300 opérateurs.

- Amazon AWS optimise l'inférence CPU PyTorch sur les instances C7g basées sur AWS Graviton3. PyTorch 2.0 améliore les performances d'inférence de Graviton par rapport aux versions précédentes, y compris des améliorations de Resnet50 et Bert.

- Nouvelles fonctionnalités et techniques de prototypage dans TensorParallel, DTensor, 2D parallèle, TorchDynamo, AOTAutograd, PrimTorch et TorchInductor.

Compilez, compilez toujours !

​Les dernières technologies de compilateur de PyTorch 2.0 incluent : TorchDynamo, AOTAutograd, PrimTorch et TorchInductor. Tout cela est développé en Python, pas en C++ (avec lequel Python est compatible).

Et il prend également en charge la forme dynamique, qui peut envoyer des vecteurs de différentes tailles sans recompilation. Il est flexible et facile à apprendre.

• TorchDynamo​

Il peut obtenir en toute sécurité des programmes PyTorch à l'aide des crochets d'évaluation Python Frame. Cette innovation majeure est un résumé des résultats de recherche et développement de PyTorch en matière de capture de graphiques sécurisée (capture de graphiques sécurisée) au cours des 5 dernières années.

• AOTAutograd​

surcharge le moteur d'autograd PyTorch en tant qu'autodiff de traçage pour générer des traces avancées vers l'arrière.

• PrimTorch​

résume plus de 2000 opérateurs PyTorch en environ 250 ensembles fermés d'opérateurs primitifs, et les développeurs peuvent créer un backend PyTorch complet pour ces opérateurs. PrimTorch simplifie grandement le processus d'écriture de fonctions ou de backends PyTorch.

• TorchInductor​

TorchInductor est un compilateur d'apprentissage en profondeur qui peut générer du code rapide pour plusieurs accélérateurs et backends. Pour les GPU NVIDIA, il utilise OpenAI Triton comme élément de base clé.

La Fondation PyTorch a déclaré que le lancement de la version 2.0 favorisera "le retour du C++ à Python", ajoutant qu'il s'agit d'une nouvelle direction substantielle pour PyTorch.

"Nous connaissions les limites de performance de "l'exécution hâtive" dès le premier jour. En juillet 2017, nous avons lancé notre premier projet de recherche, développant un compilateur pour PyTorch. Le compilateur doit permettre aux programmes PyTorch de s'exécuter rapidement, mais pas au détriment de l'expérience PyTorch, tout en conservant flexibilité et facilité d'utilisation, afin que les chercheurs puissent utiliser des modèles et des programmes dynamiques à différentes étapes d'exploration. "

Bien entendu, le "mode impatient" non compilé utilise un générateur de code dynamique en temps réel et est toujours disponible en 2.0. Les développeurs peuvent utiliser la commande porch.compile pour passer rapidement au mode compilé en ajoutant une seule ligne de code.

Les utilisateurs peuvent constater que le temps de compilation de la version 2.0 est amélioré de 43 % par rapport à la version 1.0.

Ces données proviennent d'un test de référence mené par la Fondation PyTorch sur 163 modèles open source utilisant PyTorch 2.0 sur le GPU Nvidia A100, y compris des tâches telles que la classification d'images, la détection de cibles, la génération d'images et diverses tâches PNL.

Ces benchmarks sont divisés en trois catégories : HuggingFace Transformers, TIMM et TorchBench.

Torche en mode impatient du GPU NVIDIA A100. Performances d'accélération de la compilation pour différents modèles

Selon la Fondation PyTorch, le nouveau compilateur s'exécute 21% plus rapidement lors de l'utilisation du mode de précision Float32, en cours d'exécution 51 % plus rapide en utilisant le mode de précision mixte automatique (AMP).

Parmi ces 163 modèles, torch.compile peut fonctionner normalement sur 93% des modèles.

"Dans la feuille de route de PyTorch 2.x, nous espérons pousser le modèle de compilation de plus en plus loin en termes de performances et d'évolutivité. Certains travaux n'ont pas encore commencé. Certains travaux n'ont pas été implémentés en raison d'une bande passante insuffisante "

La formation LLM est 2 fois plus rapide

De plus, la performance est un autre objectif principal de PyTorch 2.0, et c'est également un objectif que les développeurs ont généreusement promu.

En fait, l'un des points forts de la nouvelle fonctionnalité est les transformateurs accélérés, anciennement connus sous le nom de meilleurs transformateurs.

De plus, la version officielle de PyTorch 2.0 inclut une nouvelle implémentation PyTorch TransformAPI hautes performances.

L'un des objectifs du projet PyTorch est de rendre la formation et le déploiement de modèles de transformateurs de pointe plus faciles et plus rapides.

Les transformateurs sont la technologie de base qui permet de réaliser l'ère moderne de l'intelligence artificielle générative, y compris les modèles OpenAI tels que GPT-3 et GPT-4.

Dans PyTorch 2.0 Accelerated Transformers, une méthode d'architecture de noyau personnalisée (également connue sous le nom de mise à l'échelle de l'attention du produit scalaire SDPA) est utilisée pour fournir une prise en charge hautes performances pour la formation et l'inférence.

Étant donné qu'il existe de nombreux types de matériel pouvant prendre en charge les Transformers, PyTorch 2.0 peut prendre en charge plusieurs noyaux personnalisés SDPA. Pour aller plus loin, PyTorch intègre une logique de sélection de noyau personnalisée qui sélectionnera le noyau le plus performant pour un modèle et un type de matériel donnés.

L'impact de l'accélération est significatif car elle permet aux développeurs de former des modèles plus rapidement que les itérations précédentes de PyTorch.

La nouvelle version permet une prise en charge haute performance pour la formation et l'inférence, en utilisant une architecture de noyau personnalisée pour gérer l'attention du produit scalaire (SPDA), étendant ainsi l'architecture de chemin rapide pour l'inférence.

Semblable à l'architecture fastpath, le noyau personnalisé est entièrement intégré à l'API PyTorch Transformer - par conséquent, l'utilisation de l'API native Transformer et MultiHeadAttention permettra aux utilisateurs de :

- de constater des améliorations de vitesse significatives ;

- Prise en charge d'un plus grand nombre de cas d'utilisation, y compris des modèles utilisant l'attention croisée, des décodeurs de transformateur et des modèles de formation

- Utilisation continue de l'inférence de chemin rapide pour les encodeurs de transformateur à longueur de séquence fixe et variable et les cas d'utilisation de mécanisme d’auto-attention.

Pour tirer pleinement parti des différents modèles matériels et cas d'utilisation de Transformer, plusieurs cœurs personnalisés SDPA sont pris en charge et la logique de sélection de cœur personnalisée sélectionnera le cœur le plus performant pour le modèle et le type de matériel spécifiques.

En plus de l'API Transformer existante, les développeurs peuvent également utiliser directement le noyau d'attention du produit scalé en appelant le nouvel opérateur scaled_dot_product_attention(), accélérant ainsi l'intégration de PyTorch 2 Transformers avec torch.compile().

Afin d'obtenir l'accélération supplémentaire de la compilation PT2 (pour l'inférence ou la formation) lors de l'utilisation du modèle, vous pouvez utiliser model = torch.compile(model) pour prétraiter le modèle.

Actuellement, une combinaison de noyaux personnalisés et de torch.compile() a été utilisée pour obtenir une accélération substantielle de la formation des modèles Transformer, en particulier des grands modèles de langage utilisant le transformateur PyTorch 2 accéléré.

Utilisation d'un noyau personnalisé et d'un torch.compile pour fournir une accélération significative pour la formation de grands modèles de langage

Sylvain Gugger, le responsable principal de HuggingFace Transformers, a écrit dans une déclaration publiée par PyTorch projet "Avec une seule ligne de code ajoutée, PyTorch 2.0 offre une accélération de 1,5x à 2,0x lors de la formation des modèles Transformers. C'est la chose la plus excitante depuis le lancement de la formation de précision mixte!"

PyTorch et TensorFlow de Google sont les deux frameworks d’apprentissage profond les plus populaires. Des milliers d'institutions à travers le monde utilisent PyTorch pour développer des applications d'apprentissage en profondeur, et son utilisation est croissante.

Le lancement de PyTorch 2.0 contribuera à accélérer le développement d'applications d'apprentissage profond et d'intelligence artificielle, a déclaré Luca Antiga, directeur de la technologie de Lightning AI et l'un des principaux responsables de la maintenance de PyTorch Lightning :

" PyTorch 2.0 incarne l'avenir des frameworks d'apprentissage profond. La capacité de capturer des programmes PyTorch sans intervention de l'utilisateur, la génération de programmes prêts à l'emploi et une formidable accélération sur l'appareil ouvrent une toute nouvelle dimension de possibilités aux développeurs d'IA. "

Référence :

​​https://www.php.cn/link/d6f84c02e2a54908d96f410083beb6e0​​

​​https://www.php.cn/link/89b9e0a6f6d150 5fe13dea0f18a2dcfa​​

​​https://www.php.cn/link/3b2acfe2e38102074656ed938abf4ac3​​​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!