基于梯度检查点的亚线性显存优化方法[1]由于较高的计算/显存性价比受到关注。MegEngine经过工程扩展和优化，发展出一套行之有效的加强版亚线性显存优化技术，既可在计算存储资源受限的条件下，轻松训练更深的模型，又可使用更大batch size，进一步提升模型性能，稳定batchwise算子。使用MegEngine训练ResNet18/ResNet50，显存占用分别最高降低23%/40%；在更大的Bert模型上，降幅更是高达75%，而额外的计算开销几乎不变。该技术已在MegEngine开源，欢迎大家上手使用：https://github.com/MegEngine。
深度神经网络训练是一件复杂的事情，它体现为模型的时间复杂度和空间复杂度，分别对应着计算和内存；而训练时内存占用问题是漂浮在深度学习社区上空的一块乌云，如何拨云见日，最大降低神经网络训练的内存占用，是一个绕不开的课题。
GPU显卡等硬件为深度学习提供了必需的算力，但硬件自身有限的存储，限制了可训练模型的尺寸，尤其是大型深度网络，由此诞生出一系列相关技术，比如亚线性显存优化、梯度累加、混合精度训练、分布式训练，进行GPU显存优化。
其中，亚线性显存优化方法[1]由于较高的计算/显存性价比备受关注；旷视基于此，经过工程扩展和优化，发展出加强版的MegEngine亚线性显存优化技术，轻松把大模型甚至超大模型装进显存，也可以毫无压力使用大batch训练模型。
这里将围绕着深度学习框架MegEngine亚线性显存优化技术的工程实现和实验数据，从技术背景、原理、使用、展望等多个方面进行首次深入解读。
背景
在深度学习领域中，随着训练数据的增加，需要相应增加模型的尺寸和复杂度，进行模型「扩容」；而ResNet [2] 等技术的出现在算法层面扫清了训练深度模型的障碍。不断增加的数据和持续创新的算法给深度学习框架带来了新挑战，能否在模型训练时有效利用有限的计算存储资源，尤其是减少GPU显存占用，是评估深度学习框架性能的重要指标。
在计算存储资源一定的情况下，深度学习框架有几种降低显存占用的常用方法，其示例如下：
通过合适的梯度定义，让算子的梯度计算不再依赖于前向计算作为输入，从而in-place地完成算子的前向计算，比如Sigmoid、Relu等；
在生命周期没有重叠的算子之间共享显存；
通过额外的计算减少显存占用，比如利用梯度检查点重新计算中间结果的亚线性显存优化方法[1]；
通过额外的数据传输减少显存占用，比如把暂时不用的数据从GPU交换到CPU，需要时再从CPU交换回来。
上述显存优化技术在MegEngine中皆有不同程度的实现，这里重点讨论基于梯度检查点的亚线性显存优化技术。
原理
一个神经网络模型所占用的显存空间大体分为两个方面：1）模型本身的参数，2）模型训练临时占用的空间，包括参数的梯度、特征图等。其中最大占比是 2）中以特征图形式存在的中间结果，比如，从示例[1]可知，根据实现的不同，从70%到90%以上的显存用来存储特征图。
这里的训练过程又可分为前向计算，反向计算和优化三个方面，其中前向计算的中间结果最占显存，还有反向计算的梯度。第 1）方面模型自身的参数内存占用最小。
MegEngine加强版亚线性显存优化技术借鉴了[1]的方法，尤其适用于计算存储资源受限的情况，比如一张英伟达2080Ti，只有11G的显存；而更贵的Tesla V100，最大显存也只有32G。
图1：亚线性显存优化原理，其中 (b) 保存了Relu结果，实际中Relu结果可用in-place计算
图 1(a) 给出了卷积神经网络的基本单元，它由Conv-BN-Relu组成。可以看到，反向计算梯度的过程依赖于前向计算获取的中间结果，一个网络需要保存的中间结果与其大小成正比，即显存复杂度为O(n)。
本质上，亚线性显存优化方法是以时间换空间，以计算换显存，如图 1(b) 所示，它的算法原理如下：
选取神经网络中k个检查点，从而把网络分成k个block，需要注意的是，初始输入也作为一个检查点；前向计算过程中只保存检查点处的中间结果；
反向计算梯度的过程中，首先从相应检查点出发，重新计算单个block需要的中间结果，然后计算block内部各个block的梯度；不同block的中间结果计算共享显存。
这种方法有着明显的优点，即大幅降低了模型的空间复杂度，同时缺点是增加了额外的计算：
显存占用从O(n)变成O(n/k)+ O(k)，O(n/k)代表计算单个节点需要的显存，O(k)代表k个检查点需要的显存， 取k=sqrt(n)，O(n/k)+ O(k)~O(sqrt(n))，可以看到显存占用从线性变成了亚线性；
因为在反向梯度的计算过程中需要从检查点恢复中间结果，整体需要额外执行一次前向计算。
工程
在[1]的基础上，MegEngine结合自身实践，做了工程扩展和优化，把亚线性显存优化方法扩展至任意的计算图，并结合其它常见的显存优化方法，发展出一套行之有效的加强版亚线性显存优化技术。
亚线性优化方法采用简单的网格搜索（grid search）选择检查点，MegEngine在此基础上增加遗传算法，采用边界移动、块合并、块分裂等策略，实现更细粒度的优化，进一步降低了显存占用。
如图2所示，采用型号为2080Ti的GPU训练ResNet50，分别借助基准、亚线性、亚线性+遗传算法三种显存优化策略，对比了可使用的最大batch size。仅使用亚线性优化，batch size从133增至211，是基准的1.6x；而使用亚线性+遗传算法联合优化，batch size进一步增至262，较基准提升2x。
图2：三种显存优化方法优化batch size的对比：ResNet50
通过选定同一模型、给定batch size，可以更好地观察遗传算法优化显存占用的情况。如图3所示，随着迭代次数的增加，遗传算法逐渐收敛显存占用，并在第5次迭代之后达到一个较稳定的状态。
图3：遗传算法收敛示意图
此外，MegEngine亚线性优化技术通过工程改良，不再局限于简单的链状结构和同质计算节点, 可用于任意的计算图，计算节点也可异质，从而拓展了技术的适用场景；并可配合上述显存优化方法，进一步降低模型的显存占用。
实验
MegEngine基于亚线性显存技术开展了相关实验，这里固定batch size=64，在ResNet18和ResNet50两个模型上，考察模型训练时的显存占用和计算时间。
如图4所示，相较于基准实现，使用MegEngine亚线性显存技术训练ResNet18时，显存占用降低32%， 计算时间增加24%；在较大的ReNet50上，显存占用降低40%，计算时间增加25%。同时经过理论分析可知，模型越大，亚线性显存优化的效果越明显，额外的计算时间则几乎不变。
图4：MegEngine亚线性优化技术实验显存/时间对比：ReNet18/ReNet50
在更大模型Bert上实验数据表明，借助MegEngine亚线性显存技术，显存占用最高降低75%，而计算时间仅增加23%，这与理论分析相一致。有兴趣的同学可前往MegEngine ModeHub试手更多模型实验：https://megengine.org.cn/model-hub/。
使用
MegEngine官网提供了亚线性显存优化技术的使用文档。当你的GPU显存有限，苦于无法训练较深、较大的神经网络模型，或者无法使用大batch进一步提升深度神经网络的性能，抑或想要使batchwise算子更加稳定，那么，MegEngine亚线性显存优化技术正是你需要的解决方案。
上手MegEngine亚线性优化技术非常便捷，无需手动设定梯度检查点，通过几个简单的参数，轻松控制遗传算法的搜索策略。具体使用时，在MegEngine静态图接口中调用SublinearMemoryConfig设置trace的参数sublinear_memory_config，即可打开亚线性显存优化：
from megengine.jit import trace, SublinearMemoryConfig
config = SublinearMemoryConfig()
@trace(symbolic=True, sublinear_memory_config=config)def train_func(data, label, *, net, optimizer): ...
MegEngine在编译计算图和训练模型时，虽有少量的额外时间开销，但会显著缓解显存不足问题。下面以ResNet50为例，说明MegEngine可有效突破显存瓶颈，训练batch size从100最高增至200：
import osfrom multiprocessing import Process
def train_resnet_demo(batch_size, enable_sublinear, genetic_nr_iter=0):import megengine as mgeimport megengine.functional as Fimport megengine.hub as hubimport megengine.optimizer as optimfrom megengine.jit import trace, SublinearMemoryConfigimport numpy as np
print("Run with batch_size={}, enable_sublinear={}, genetic_nr_iter={}".format( batch_size, enable_sublinear, genetic_nr_iter ) )# 使用GPU运行这个例子assert mge.is_cuda_available(), "Please run with GPU"try:# 我们从 megengine hub 中加载一个 resnet50 模型。resnet = hub.load("megengine/models", "resnet50")
optimizer = optim.SGD(resnet.parameters(), lr=0.1,)
config = Noneif enable_sublinear:config = SublinearMemoryConfig(genetic_nr_iter=genetic_nr_iter)
@trace(symbolic=True, sublinear_memory_config=config)def train_func(data, label, *, net, optimizer): pred = net(data) loss = F.cross_entropy_with_softmax(pred, label) optimizer.backward(loss)
resnet.train()for i in range(10): batch_data = np.random.randn(batch_size, 3, 224, 224).astype(np.float32) batch_label = np.random.randint(1000, size=(batch_size,)).astype(np.int32) optimizer.zero_grad() train_func(batch_data, batch_label, net=resnet, optimizer=optimizer) optimizer.step()except: print("Failed")return
print("Sucess")
# 以下示例结果在2080Ti GPU运行得到，显存容量为 11 GB
# 不使用亚线性内存优化，允许的batch_size最大为 100 左右p = Process(target=train_resnet_demo, args=(100, False))p.start()p.join()# 报错显存不足p = Process(target=train_resnet_demo, args=(200, False))p.start()p.join()# 使用亚线性内存优化，允许的batch_size最大为 200 左右p = Process(target=train_resnet_demo, args=(200, True, 20))p.star
展望
如上所述，MegEngine的亚线性显存优化技术通过额外做一次前向计算，即可达到O(sqrt(n))的空间复杂度。如果允许做更多次的前向计算，对整个网络递归地调用亚线性显存算法，有望在时间复杂度为O(n log n)的情况下，达到 O(log n)的空间复杂度。
更进一步，MegEngine还将探索亚线性显存优化技术与数据并行/模型并行、混合精度训练的组合使用问题，以期获得更佳的集成效果。最后，在RNN以及GNN、Transformer等其他类型网络上的使用问题，也是MegEngine未来的一个探索方向。
参考文献
Chen, T., Xu, B., Zhang, C., & Guestrin, C. (2016). Training deep nets with sublinear memory cost. arXiv preprint arXiv:1604.06174.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
