decorate¶

paddle.amp. decorate ( models, optimizers=None, level='O1', dtype='float16', master_weight=None, save_dtype=None, master_grad=False, excluded_layers=None ) [源代码] ¶

装饰神经网络参数，来支持动态图模式下执行的算子的自动混合精度策略（AMP）。在 O1 模式下，该函数不做任何处理，直接返回输入的 models 和 optimizers。在 O2 模式下，将对输入的网络参数数据类型由 float32 转为 float16 或 bfloat16，（除 BatchNorm 和 LayerNorm）。通过该函数可为支持 master weight 策略的优化器开启 master weight 策略，以保证训练精度。通过 save_dtype 可指定 paddle.save 和 paddle.jit.save 存储的网络参数数据类型。

参数¶

models (Layer|list of Layer) - 网络模型。在 O2 模式下，输入的模型参数将由 float32 转为 float16 或 bfloat16。

optimizers (Optimizer|list of Optimizer，可选) - 优化器，默认值为 None，若传入优化器或由优化器组成的 list 列表，将依据 master_weight 对优化器的 master_weight 属性进行设置。

level (str，可选) - 混合精度训练模式，默认 O1 模式。

dtype (str，可选) - 混合精度训练数据类型使用 float16 还是 bfloat16，默认为 float16 类型。

master_weight (bool|None，可选) - 是否使用 master weight 策略。支持 master weight 策略的优化器包括 adam、adamW、momentum，默认值为 None，在 O2 模式下使用 master weight 策略。

save_dtype (str|None，可选) - 网络存储类型，可为 float16、bfloat16、float32、float64。通过 save_dtype 可指定通过 paddle.save 和 paddle.jit.save 存储的网络参数数据类型。默认为 None，采用现有网络参数类型进行存储。

master_grad (bool, 可选) - 在 O2 模式下是否使用 float32 类型的权重梯度进行梯度裁剪、权重衰减、权重更新等计算。如果被启用，在反向传播结束后权重的梯度将会是 float32 类型。默认值：False，模型仅保存一份 float16 类型的权重梯度。

excluded_layers (Layer|list of Layer, 可选) - 指定不需要被转换的层，在 O2 模式下，这些层的权重将始终保持 float32 类型。 excluded_layers 可以指定为 Layer 的实例/类型，或 Layer 的实例/类型的列表。默认为 None，整个模型的权重将转换为 float16 或 bfloat16 类型。

代码示例¶

          # required: gpu
# Demo1: single model and optimizer:
import paddle

model = paddle.nn.Conv2D(3, 2, 3, bias_attr=False)
optimizer = paddle.optimizer.SGD(parameters=model.parameters())

model, optimizer = paddle.amp.decorate(models=model, optimizers=optimizer, level='O2')

data = paddle.rand([10, 3, 32, 32])

with paddle.amp.auto_cast(enable=True, custom_white_list=None, custom_black_list=None, level='O2'):
    output = model(data)
    print(output.dtype) # FP16

# required: gpu
# Demo2: multi models and optimizers:
model2 = paddle.nn.Conv2D(3, 2, 3, bias_attr=False)
optimizer2 = paddle.optimizer.Adam(parameters=model2.parameters())

models, optimizers = paddle.amp.decorate(models=[model, model2], optimizers=[optimizer, optimizer2], level='O2')

data = paddle.rand([10, 3, 32, 32])

with paddle.amp.auto_cast(enable=True, custom_white_list=None, custom_black_list=None, level='O2'):
    output = models[0](data)
    output2 = models[1](data)
    print(output.dtype) # FP16
    print(output2.dtype) # FP16

# required: gpu
# Demo3: optimizers is None:
model3 = paddle.nn.Conv2D(3, 2, 3, bias_attr=False)
optimizer3 = paddle.optimizer.Adam(parameters=model3.parameters())

model = paddle.amp.decorate(models=model3, level='O2')

data = paddle.rand([10, 3, 32, 32])

with paddle.amp.auto_cast(enable=True, custom_white_list=None, custom_black_list=None, level='O2'):
    output = model(data)
    print(output.dtype) # FP16

         

使用本API的教程文档¶

自动混合精度训练（AMP）