皮皮网

1.第二十四章 解读Pytorch中多GPU并行计算教程
2.BatchNorm理解(含Pytorch部分源码)
3.Pytorch源码剖析：nn.Module功能介绍及实现原理
4.nn.Module中register_buffer用法
5.Mo 人工智能技术博客图像翻译——pix2pix模型
6.BERT源码逐行解析

第二十四章 解读Pytorch中多GPU并行计算教程

       在Pytorch中进行多GPU并行计算，可显著加速训练过程。教程代码在github.com/WZMIAOMIAO/d...，位于pytorch_classification模块下的train_multi_GPU文件夹内。两种常见多GPU使用方法：使用多块GPU加速训练。

       下图展示了多GPU并行加速的买源码平台训练时间对比。测试环境：Pytorch1.7，CUDA.1，使用ResNet模型与flower_photos数据集，BatchSize为，GPU为Tesla V。通过左侧柱状图，可以看出多GPU加速效果并非线性倍增，涉及多GPU间的通信。

       多GPU并行训练需注意，尽管Pytorch框架处理了部分工作，但需了解其背后机制。下图展示了使用单GPU与多GPU（不使用SyncBatchNorm）训练的曲线对比。不使用SyncBatchNorm时，多GPU训练结果与单GPU相近但速度快，使用SyncBatchNorm则能取得稍高的mAP。

       Pytorch提供两种多GPU训练方法：DataParallel与DistributedDataParallel。DistributedDataParallel推荐使用，适用于多机多卡场景。下图展示了两者对比，DistributedDataParallel在单机多卡与多机多卡环境中表现更佳。

       Pytorch中多GPU训练常用启动方式包括torch.distributed.launch与torch.multiprocessing。torch.distributed.launch更方便，官方多GPU训练FasterRCNN源码采用此方式。torch.multiprocessing提供更灵活的控制。使用torch.distributed.launch时，建议使用nvidia-smi指令确认GPU显存是否释放，避免资源占用导致训练问题。

       train_multi_gpu_using_launch.py脚本基于已有知识扩展，涉及模型搭建与自定义数据集，更多细节请查看之前视频。使用该脚本需通过torch.distributed.launch启动，跟踪代码源码设置nproc_per_node参数确定使用GPU数量。使用指令启动训练，指定GPU时需使用指定指令，如使用第1块和第4块GPU。

       在使用torch.distributed.launch启动时，系统自动在os.environ中添加RANK、WORLD_SIZE、LOCAL_RANK参数，用于初始化进程组，分配GPU设备。All-Reduce操作在多GPU并行计算中至关重要。脚本代码已做注释，便于理解。要运行脚本，需先克隆项目，引入其他函数如模型与数据集部分。

BatchNorm理解(含Pytorch部分源码)

       深度学习中，数据归一化是关键。神经网络学习数据分布以在测试集上达到泛化效果。然而，若每个batch输入数据分布不同，即Covariate Shift，这会带来训练挑战。数据经过多层网络后，分布发生改变，形成Internal Covariate Shift，这进一步增加了下层网络学习的难度。为解决中间层Internal Covariate Shift问题，引入了Batch Normalization（BN）操作。

       BN算法流程如下：

       （1）计算输入批量数据的均值。

       （2）计算输入批量数据的方差。

       （3）对每个数据进行归一化。

       （4）引入缩放变量和平移变量，通过训练更新，计算归一化后的值。

       BN中均值方差计算基于张量数据，工具达人源码通常维度为[N, H, W, C]。其中N为batch_size，H和W为特征图尺寸，C为通道数。均值计算是每个通道内数字总和除以[N, H, W]。例如，对于[2,2,2,3]输入，代表2个batch，每个batch有3个特征图（通道数为3），每个特征图大小为2*2。以通道1为例，计算步骤如下：

       均值计算公式为：均值=（所有数字总和）/ [N, H, W]。

       最终获得三个通道的均值和方差，网络更新参数，为每一个channel对应一个缩放变量和平移变量。

       在Pytorch中，BN通过_NormBase类和_BatchNorm类实现。_NormBase类定义BN相关的属性，_BatchNorm类继承自_NormBase，是BatchNorm2d实际调用的类。具体源码包括定义属性、计算均值和方差、归一化以及参数更新等关键步骤。

Pytorch源码剖析：nn.Module功能介绍及实现原理

       nn.Module作为Pytorch的核心类，是构建模型的基础。它提供了一系列功能，包括记录模型的参数，实现网络的前向传播，加载和保存模型数据，以及进行设备和数据类型转换等。这些功能在模型的训练和应用中起到关键作用。

       在训练与评估模式间切换，模块的行为会有所不同，如rrelu、dropout、batchnorm等操作在两种模式下表现不同。vxworks链表源码可学习的参数，如权重和偏置，需要通过梯度下降进行更新。非学习参数，比如batchnorm的running_mean，是训练过程中的统计结果。_buffers包含的Tensor不作为模型的一部分保存。

       模块内部包含一系列钩子（hook）函数，用于在特定的前向传播或反向传播阶段执行自定义操作。子模块列表用于存储模型中的所有子模块。

       魔术函数__init__在声明对象时自动调用，优化性能的关键在于使用super().__setattr__而非直接赋值。super调用父类的方法，避免不必要的检查，提高效率。使用register_buffer为模块注册可变的中间结果，例如BatchNorm的running_mean。register_parameter用于注册需要梯度下降更新的参数。

       递归应用函数用于对模型进行操作，如参数初始化。可以将模型移动到指定设备，转换数据类型，以及注册钩子函数以实现对网络的扩展和修改。

       调用魔术方法__call__执行前向传播。nn.Module未实现forward函数，子类需要提供此方法的具体实现。对于线性层等，forward函数定义了特定的运算流程。从检查点加载参数时，模块自动处理兼容性问题，确保模型结构与参数值的兼容。

       模块的__setattr__方法被重写，以区别对待Parameter、Module和Buffer。当尝试设置这些特定类型的属性时，执行注册或更新操作。王者推广源码其他属性的设置遵循标准的Python行为。

       模块的save方法用于保存模型参数和状态，确保模型结构和参数值在不同设备间转移时的一致性。改变训练状态（如将模型切换到训练或评估模式）是模块管理过程的重要组成部分。

nn.Module中register_buffer用法

       register_buffer是一个关键方法，用于在Module类中记录那些无需计算梯度但需与模型参数一同保存、加载或移动的变量。

       例如，BatchNorm组件中的均值与方差无需计算梯度，但需要在模型中保存，故此方法得以应用。

       下文展示Module类的部分源码截图，子类模型在继承自Module后，可借助self.register_buffer方法调用该缓冲区。

       以BatchNorm2d为例，该类继承自Module，用于保存均值running_mean与方差running_var。

       接下来，我们通过一个示例来展示如何初始化可学习参数和不可学习参数。

       通过对比可学习参数b与缓冲区变量a，可以发现a始终没有梯度，仅是一个tensor数据，而model.b为：

Mo 人工智能技术博客图像翻译——pix2pix模型

       在图像处理的探索中，一项革命性的技术——Pix2pix，正在将输入图像翻译成所需的输出，如同语言间的流畅转换。Pix2pix的目标是构建一个通用架构，以解决这种跨领域的转换问题，避免为每种功能单独设计复杂的损失函数，从而实现高效的一体化处理。

       其核心理念在于结构化损失的引入。传统方法往往将输出空间视为无序的，Pix2pix则凭借条件生成对抗网络（cGAN）的力量，学习如何捕捉输出与目标的整体结构，使之更具可预测性和一致性。

       借鉴了cGAN的精髓，Pix2pix并不局限于特定的应用场景，而是采用了U-Net生成器和卷积 PatchGAN 辨别器，确保了生成图像的高质量和精准度。生成器的设计特别考虑了高分辨率输入与输出之间的结构对应，使得输出图像与实际内容更为贴近。

       损失函数是Pix2pix的灵魂所在，它结合了对抗损失和L1 Loss，旨在确保输入与输出的相似度，同时保持细节清晰。最终的优化目标是这两者之间的平衡，以达到最佳的生成效果。

       网络架构中，convolution-BatchNorm-ReLu模块被广泛应用，生成器和判别器的协同工作确保了图像的转换质量。U-Net的Encoder-Decoder结构，通过跳过连接连接对应层，弥补了L1和L2损失可能带来的边缘模糊。Pix2pix引入的patchGAN结构，增强了局部真实性的判断，提高了训练的效率和精度。

       在实际操作中，Pix2pix的实现源码可以在pytorch-CycleGAN-and-pix2pix项目中找到。train.py和test.py脚本根据用户选择的选项动态创建模型，如pix2pix_model.py（基础GAN结构）和colorization_model.py（黑白转彩色）。models文件夹则包含了各种基础模型、网络结构以及训练和测试设置的选项。

       重点在于Pix2Pix模型的广泛应用，它是一对一的映射，特别适合图像重建任务，但对数据集的多样性要求较高。论文要点包括cGAN的条件设定、U-Net的高效结构、skip-connection的连接策略以及D网络输入的对齐方式等，这些都是提升生成效果的关键。

       在Mo平台上，你可以体验到如建筑草图转照片的Pix2PixGAN实验，实时感受图像翻译的魅力。同时，如果在使用过程中遇到问题或发现有价值的信息，欢迎随时与我们联系。

       总的来说，Pix2pix以其强大的架构和创新的损失函数，引领着图像翻译技术的发展。无论是学术研究还是实际应用，都有丰富的资源可供参考，包括论文1、官方文档2，以及开源代码3等。

       Mo人工智能俱乐部，作为支持Python的在线建模平台，致力于降低AI开发门槛，提供丰富的学习资源和实践环境，欢迎加入我们，共同探索人工智能的无限可能。

BERT源码逐行解析

       解析BERT源码，关键在于理解Tensor的形状，这些我在注释中都做了标注，以来自huggingface的PyTorch版本为例。首先，BertConfig中的参数，如bert-base-uncased，包含了word_embedding、position_embedding和token_type_embedding三部分，它们合成为BertEmbedding，形状为[batch_size, seq_len, hidden_size]，如( x x )。

       Bert的基石是Multi-head-self-attention，这部分是理解BERT的核心。代码中对相对距离编码有详细注释，通过计算左右端点位置，形成一个[seq_len, seq_len]的相对位置矩阵。接着是BertSelfOutput，执行add和norm操作。

       BertAttention则将Self-Attention和Self-Output结合起来。BertIntermediate部分，对应BERT模型中的一个FFN（前馈神经网络）部分，而BertOutput则相当直接。最后，BertLayer就是将这些组件组装成一个完整的层，BERT模型就是由多个这样的层叠加而成的。

深入理解Pytorch的BatchNorm操作（含部分源码）

       Pytorch中的BatchNorm操作在训练和测试模式下有所不同，特别是在涉及dropout时。Batch Normalization（BN）是深度学习中的重要技术，通过在神经网络中间层对输入数据进行标准化处理，解决协方差偏移问题。其核心公式包含对每个通道数据的均值和方差计算，规范化操作后进行仿射变换以保持模型性能。

       在BN中，需要关注的参数主要包括学习参数gamma和beta，以及动态统计的running_mean和running_var。在Pytorch的实现中，如nn.BatchNorm2d API，关键参数包括trainning（模型是否在训练模式）、affine（是否启用仿射变换）、track_running_stats（是否跟踪动态统计）和momentum（动态统计更新的权重）。

       训练状态会影响BN层的计算，当模型处于训练状态（trainning=True）时，running_mean和running_var会在每次前向传播（forward()）中更新，而转为测试模式（mode.eval()）则会冻结这些统计值。源码中的_NormBase类和_BatchNorm类定义了这些操作的细节，包括动态统计的管理。

       对于自定义BN，可以重载前向传播函数，改变规范化操作的细节。总的来说，理解Pytorch的BatchNorm操作，需关注其在训练和测试模式中的行为，以及与模型训练状态相关的关键参数。

Pytorch深入剖析 | 1-torch.nn.Module方法及源码

       torch.nn.Module是神经网络模型的基础类，大部分自定义子模型（如卷积、池化或整个网络）均是其子类。torch.nn.Parameter是继承自torch.tensor的子类，用以表示可训练参数。定义Module时，可以使用个内置方法，例如add_module用于添加子模块，children和named_children用于获取子模块，modules和named_modules用于获取所有模块，register_parameter用于注册参数，parameters和named_parameters用于获取参数，get_parameter用于获取指定参数等。Module还支持数据格式转换，如float、double、half和bfloat，以及模型的设备移动，如cpu、cuda和xpu。训练模式调整可以通过train和eval方法实现。模型参数的梯度可以使用zero_grad方法清零。

       模型的前向传播由forward方法定义，而apply方法允许应用特定函数到模型的所有操作符上。模型状态可以通过state_dict和load_state_dict方法进行保存和加载，常用于保存模型参数。此外，模型可以设置为训练模式或评估模式，影响特定模块如Dropout和BatchNorm的行为。

       在PyTorch中，hook方法用于在前向和反向传播过程中捕获中间变量。注册hook时，可以使用torch.Tensor.register_hook针对张量注册后向传播函数，torch.nn.Module.register_forward_hook针对前向传播函数，torch.nn.Module.register_forward_pre_hook用于在前向传播之前修改输入张量，以及torch.nn.Module.register_backward_hook用于捕获中间层的梯度输入和输出。

       通过这些方法，开发者可以灵活地调整、监控和优化神经网络模型的行为，从而实现更高效、更精确的模型训练和应用。利用hook方法，用户可以访问中间变量、修改输入或输出，以及提取特征图的梯度，为模型的定制化和深入分析提供了强大的工具。

PyTorch 源码分析(三）：torch.nn.Norm类算子

       PyTorch源码详解(三)：torch.nn.Norm类算子深入解析

       Norm类算子在PyTorch中扮演着关键角色，它们包括BN（BatchNorm）、LayerNorm和InstanceNorm。

       1. BN/LayerNorm/InstanceNorm详解

       BatchNorm（BN）的核心功能是对每个通道（C通道）的数据进行标准化，确保数据在每个批次后保持一致的尺度。它通过学习得到的gamma和beta参数进行缩放和平移，保持输入和输出形状一致，同时让数据分布更加稳定。

       gamma和beta作为动态调整权重的参数，它们在BN的学习过程中起到至关重要的作用。

       2. Norm算子源码分析

       继承关系：Norm类在PyTorch中具有清晰的继承结构，子类如BatchNorm和InstanceNorm分别继承了其特有的功能。

       BN与InstanceNorm实现：在Python代码中，BatchNorm和InstanceNorm的实例化和计算逻辑都包含对输入数据的2D转换，即将其分割为M*N的矩阵。

       计算过程：在计算过程中，首先计算每个通道的均值和方差，这是这些标准化方法的基础步骤。

       C++侧的源码洞察

       C++实现中，对于BatchNorm和LayerNorm，代码着重于处理数据的标准化操作，同时确保线程安全，通过高效的数据视图和线程视图处理来提高性能。