混合精度

概述

混合精度为业内通用的性能提升方式，通过降低部分计算精度提升数据计算的并行度。混合精度推理方法是通过混合使用float16和float32数据类型来加速深度神经网络推理的过程，并减少内存使用和存取，从而可以推理更大的神经网络，同时又能基本保持使用float32推理所能达到的网络精度。

用户可以在脚本中通过配置“precision_mode”参数或者“precision_mode_v2”参数开启混合精度。

“precision_mode”与“precision_mode_v2”参数的详细说明可参见精度调优。

设置精度模式

下面以sess.run模式下，将“precision_mode_v2”参数配置为“mixed_float16”为例，说明如何设置混合精度模式。

       
            import tensorflow as tf
from npu_bridge.estimator import npu_ops
from tensorflow.core.protobuf.rewriter_config_pb2 import RewriterConfig

config = tf.ConfigProto()

custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer" 
custom_op.parameter_map["use_off_line"].b = True
custom_op.parameter_map["precision_mode_v2"].s = tf.compat.as_bytes("mixed_float16")
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF  #关闭remap开关

with tf.Session(config=config) as sess:
  print(sess.run(cost))

修改混合精度黑白灰名单

开启自动混合精度的场景下，系统会自动根据内置的优化策略，对网络中的某些数据类型进行降精度处理，从而在精度损失很小的情况下提升系统性能并减少内存使用。

内置优化策略在“OPP安装目录/opp/built-in/op_impl/ai_core/tbe/config/<soc_version>/aic-<soc_version>-ops-info.json”，例如：

       
            "Conv2D":{
    "precision_reduce":{
        "flag":"true"
},

precision_mode_v2配置为mixed_float16，precision_mode配置为allow_mix_precision_fp16/allow_mix_precision的场景：
- 若取值为true（白名单），则表示允许将当前float32类型的算子，降低精度到float16。
- 若取值为false（黑名单），则不允许将当前float32类型的算子降低精度到float16，相应算子仍使用float32精度。
- 若网络模型中算子没有配置该参数（灰名单），当前算子的混合精度处理机制和前一个算子保持一致，即如果前一个算子支持降精度处理，当前算子也支持降精度；如果前一个算子不允许降精度，当前算子也不支持降精度。
precision_mode配置为allow_mix_precision_bf16的场景（仅Atlas A2 训练系列产品，支持此配置）：
- 若取值为true（白名单），则表示允许将当前float32类型的算子，降低精度到bfloat16。
- 若取值为false（黑名单），则不允许将当前float32类型的算子降低精度到bfloat16，相应算子仍旧使用float32精度。
- 若网络模型中算子没有配置该参数（灰名单），当前算子的混合精度处理机制和前一个算子保持一致，即如果前一个算子支持降精度处理，当前算子也支持降精度；如果前一个算子不允许降精度，当前算子也不支持降精度。

用户可以在内置优化策略基础上进行调整，自行指定哪些算子允许降精度，哪些算子不允许降精度。下面介绍两种方法：

（推荐）通过modify_mixlist指定需要修改的混合精度黑白灰算子名单。

        
             from npu_bridge.npu_init import *
config = tf.ConfigProto()
custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer" 
custom_op.parameter_map["use_off_line"].b = True
custom_op.parameter_map["precision_mode_v2"].s = tf.compat.as_bytes("mixed_float16")
custom_op.parameter_map["modify_mixlist"].s = tf.compat.as_bytes("/home/test/ops_info.json")
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF
config.graph_options.rewrite_options.memory_optimization = RewriterConfig.OFF
with tf.Session(config=config) as sess:
  print(sess.run(cost))

ops_info.json中可以指定算子类型，多个算子使用英文逗号分隔，样例如下：

{
  "black-list": {                  // 黑名单
     "to-remove": [                // 黑名单算子转换为灰名单算子
     "Xlog1py"
     ],
     "to-add": [                   // 白名单或灰名单算子转换为黑名单算子
     "Matmul",
     "Cast"
     ]
  },
  "white-list": {                  // 白名单
     "to-remove": [                // 白名单算子转换为灰名单算子 
     "Conv2D"
     ],
     "to-add": [                   // 黑名单或灰名单算子转换为白名单算子
     "Bias"
     ]
  }
}

假设算子A默认在白名单中，如果您希望将该算子配置为黑名单算子，可以参考如下方法：

（正确示例）用户将该算子添加到黑名单中：

          
               {
  "black-list": { 
     "to-add": ["A"]
  }
}

则系统会将该算子从白名单中删除，并添加到黑名单中，最终该算子在黑名单中。

（正确示例）用户将该算子从白名单中删除，同时添加到黑名单中：

          
               {
  "black-list": {
     "to-add": ["A"]
  },
  "white-list": {
     "to-remove": ["A"]
  }
}

则系统会将该该算子从白名单中删除，并添加到黑名单中，最终该算子在黑名单中。

（错误示例）用户将该算子从白名单中删除，此时算子最终是在灰名单中，而不是黑名单。

          
               {
  "white-list": {
     "to-remove": ["A"]
  }
}

此时，系统会将该算子从白名单中删除，然后添加到灰名单中，最终该算子在灰名单中。

对于只从黑/白名单中删除，而不添加到白/黑名单的情况，系统会将该算子添加到灰名单中。

修改算子信息库。

对内置算子信息库进行修改，可能会对其他网络造成影响，请谨慎修改。
1. 切换到“/opp/built-in/op_impl/ai_core/tbe/config/<soc_version>”目录下。
2. 对aic-<soc_version>-ops-info.json文件增加写权限。
```
chmod u+w aic-<soc_version>0-ops-info.json
```
  当前目录下的所有json文件都会被加载到算子信息库中，如果您需要备份原来的json文件，建议备份到其他目录下。
3. 修改或增加算子信息库aic-<soc_version>-ops-info.json文件中对应算子的precision_reduce字段。

父主题： 更多特性