auto_cast¶
- paddle.amp. auto_cast ( enable=True, custom_white_list=None, custom_black_list=None, level='O1' ) [源代码] ¶
创建一个上下文环境,来支持动态图模式下执行的算子的自动混合精度策略(AMP)。 如果启用AMP,使用autocast算法确定每个算子的输入数据类型(float32或float16),以获得更好的性能。 通常,它与 decorate
和 GradScaler
一起使用,来实现动态图模式下的自动混合精度。 混合精度训练提供两种模式:``O1``代表采用黑名名单策略的混合精度训练;``O2``代表纯float16训练,除自定义黑名单和不支持float16的算子之外,全部使用float16计算。
参数¶
enable (bool, 可选) - 是否开启自动混合精度。默认值为True。
custom_white_list (set|list, 可选) - 自定义算子白名单。这个名单中的算子在支持float16计算时会被认为是数值安全的,并且对性能至关重要。如果设置了白名单,该名单中的算子会使用float16计算。
custom_black_list (set|list, 可选) - 自定义算子黑名单。这个名单中的算子在支持float16计算时会被认为是数值危险的,它们的影响也可能会在下游操作中观察到。这些算子通常不会转为float16计算。
level (str, 可选) - 混合精度训练模式,可为``O1``或``O2``模式,默认``O1``模式。
代码示例¶
import paddle
conv2d = paddle.nn.Conv2D(3, 2, 3, bias_attr=False)
data = paddle.rand([10, 3, 32, 32])
with paddle.amp.auto_cast():
conv = conv2d(data)
print(conv.dtype) # FP16
with paddle.amp.auto_cast(enable=False):
conv = conv2d(data)
print(conv.dtype) # FP32
with paddle.amp.auto_cast(custom_black_list={'conv2d'}):
conv = conv2d(data)
print(conv.dtype) # FP32
a = paddle.rand([2,3])
b = paddle.rand([2,3])
with paddle.amp.auto_cast(custom_white_list={'elementwise_add'}):
c = a + b
print(c.dtype) # FP16
with paddle.amp.auto_cast(custom_white_list={'elementwise_add'}, level='O2'):
d = a + b
print(d.dtype) # FP16