# 在ResNet-50网络上应用二阶优化实践 `Linux` `Ascend` `GPU` `模型开发` `模型调优` `高级` [![查看源文件](../_static/logo_source.png)](https://gitee.com/mindspore/docs/blob/r1.1/tutorials/training/source_zh_cn/advanced_use/cv_resnet50_second_order_optimizer.md)   ## 概述 常见的优化算法可分为一阶优化算法和二阶优化算法。经典的一阶优化算法如SGD等，计算量小、计算速度快，但是收敛的速度慢，所需的迭代次数多。而二阶优化算法使用目标函数的二阶导数来加速收敛，能更快地收敛到模型最优值，所需要的迭代次数少，但由于二阶优化算法过高的计算成本，导致其总体执行时间仍然慢于一阶，故目前在深度神经网络训练中二阶优化算法的应用并不普遍。二阶优化算法的主要计算成本在于二阶信息矩阵（Hessian矩阵、[FIM矩阵](https://arxiv.org/pdf/1808.07172.pdf)等）的求逆运算，时间复杂度约为$O(n^3)$。 MindSpore开发团队在现有的自然梯度算法的基础上，对FIM矩阵采用近似、切分等优化加速手段，极大的降低了逆矩阵的计算复杂度，开发出了可用的二阶优化器THOR。使用8块Ascend 910 AI处理器，THOR可以在72min内完成ResNet50-v1.5网络和ImageNet数据集的训练，相比于SGD+Momentum速度提升了近一倍。 本篇教程将主要介绍如何在Ascend 910 以及GPU上，使用MindSpore提供的二阶优化器THOR训练ResNet50-v1.5网络和ImageNet数据集。 > 你可以在这里下载完整的示例代码： 。 示例代码目录结构 ```shell ├── resnet_thor ├── README.md ├── scripts ├── run_distribute_train.sh # launch distributed training for Ascend 910 └── run_eval.sh # launch inference for Ascend 910 ├── run_distribute_train_gpu.sh # launch distributed training for GPU └── run_eval_gpu.sh # launch inference for GPU ├── src ├── crossentropy.py # CrossEntropy loss function ├── config.py # parameter configuration ├── dataset_helper.py # dataset helper for minddata dataset ├── grad_reducer_thor.py # grad reduce for thor ├── model_thor.py # model for train ├── resnet_thor.py # resnet50_thor backone ├── thor.py # thor optimizer ├── thor_layer.py # thor layer └── dataset.py # data preprocessing ├── eval.py # infer script ├── train.py # train script ├── export.py # export checkpoint file into air file └── mindspore_hub_conf.py # config file for mindspore hub repository ``` 整体执行流程如下： 1. 准备ImageNet数据集，处理需要的数据集； 2. 定义ResNet50网络； 3. 定义损失函数和THOR优化器； 4. 加载数据集并进行训练，训练完成后，查看结果及保存模型文件； 5. 加载保存的模型，进行推理。 ## 准备环节 实践前，确保已经正确安装MindSpore。如果没有，可以通过[MindSpore安装页面](https://www.mindspore.cn/install)安装MindSpore。 ### 准备数据集 下载完整的ImageNet2012数据集，将数据集解压分别存放到本地工作区的`ImageNet2012/ilsvrc`、`ImageNet2012/ilsvrc_eval`路径下。 目录结构如下： ```text └─ImageNet2012 ├─ilsvrc │ n03676483 │ n04067472 │ n01622779 │ ...... └─ilsvrc_eval │ n03018349 │ n02504013 │ n07871810 │ ...... ``` ### 配置分布式环境变量 #### Ascend 910 Ascend 910 AI处理器的分布式环境变量配置参考[分布式并行训练 (Ascend)](https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced_use/distributed_training_ascend.html#id4)。 #### GPU GPU的分布式环境配置参考[分布式并行训练 (GPU)](https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced_use/distributed_training_gpu.html#id4)。 ## 加载处理数据集 分布式训练时，通过并行的方式加载数据集，同时通过MindSpore提供的数据增强接口对数据集进行处理。加载处理数据集的脚本在源码的`src/dataset.py`脚本中。 ```python import os from mindspore import dtype as mstype import mindspore.dataset as ds import mindspore.dataset.vision.c_transforms as C import mindspore.dataset.transforms.c_transforms as C2 from mindspore.communication.management import init, get_rank, get_group_size def create_dataset(dataset_path, do_train, repeat_num=1, batch_size=32, target="Ascend"): if target == "Ascend": device_num, rank_id = _get_rank_info() num_parallels = 8 else: init() rank_id = get_rank() device_num = get_group_size() num_parallels = 4 if device_num == 1: data_set = ds.ImageFolderDataset(dataset_path, num_parallel_workers=num_parallels, shuffle=True) else: data_set = ds.ImageFolderDataset(dataset_path, num_parallel_workers=num_parallels, shuffle=True, num_shards=device_num, shard_id=rank_id) image_size = 224 mean = [0.485 * 255, 0.456 * 255, 0.406 * 255] std = [0.229 * 255, 0.224 * 255, 0.225 * 255] # define map operations if do_train: trans = [ C.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)), C.RandomHorizontalFlip(prob=0.5), C.Normalize(mean=mean, std=std), C.HWC2CHW() ] else: trans = [ C.Decode(), C.Resize(256), C.CenterCrop(image_size), C.Normalize(mean=mean, std=std), C.HWC2CHW() ] type_cast_op = C2.TypeCast(mstype.int32) data_set = data_set.map(operations=trans, input_columns="image", num_parallel_workers=num_parallels) data_set = data_set.map(operations=type_cast_op, input_columns="label", num_parallel_workers=num_parallels) # apply batch operations data_set = data_set.batch(batch_size, drop_remainder=True) # apply dataset repeat operation data_set = data_set.repeat(repeat_num) return data_set ``` > MindSpore支持进行多种数据处理和增强的操作，各种操作往往组合使用，具体可以参考[数据处理](https://www.mindspore.cn/doc/programming_guide/zh-CN/r1.1/pipeline.html)和[数据增强](https://www.mindspore.cn/doc/programming_guide/zh-CN/r1.1/augmentation.html)章节。 ## 定义网络 本示例中使用的网络模型为ResNet50-v1.5，先定义[ResNet50网络](https://gitee.com/mindspore/mindspore/blob/r1.1/model_zoo/official/cv/resnet/src/resnet.py)，然后使用二阶优化器自定义的算子替换`Conv2d`和 和`Dense`算子。定义好的网络模型在在源码`src/resnet_thor.py`脚本中，自定义的算子`Conv2d_thor`和`Dense_thor`在`src/thor_layer.py`脚本中。 - 使用`Conv2d_thor`替换原网络模型中的`Conv2d` - 使用`Dense_thor`替换原网络模型中的`Dense` > 使用THOR自定义的算子`Conv2d_thor`和`Dense_thor`是为了保存模型训练中的二阶矩阵信息，新定义的网络与原网络模型的backbone一致。 网络构建完成以后，在`__main__`函数中调用定义好的ResNet50： ```python ... from src.resnet_thor import resnet50 ... if __name__ == "__main__": ... # define the net net = resnet50(class_num=config.class_num, damping=damping, loss_scale=config.loss_scale, frequency=config.frequency, batch_size=config.batch_size) ... ``` ## 定义损失函数及THOR优化器 ### 定义损失函数 MindSpore支持的损失函数有`SoftmaxCrossEntropyWithLogits`、`L1Loss`、`MSELoss`等。THOR优化器需要使用`SoftmaxCrossEntropyWithLogits`损失函数。 损失函数的实现步骤在`src/crossentropy.py`脚本中。这里使用了深度网络模型训练中的一个常用trick：label smoothing，通过对真实标签做平滑处理，提高模型对分类错误标签的容忍度，从而可以增加模型的泛化能力。 ```python class CrossEntropy(_Loss): """CrossEntropy""" def __init__(self, smooth_factor=0., num_classes=1000): super(CrossEntropy, self).__init__() self.onehot = ops.OneHot() self.on_value = Tensor(1.0 - smooth_factor, mstype.float32) self.off_value = Tensor(1.0 * smooth_factor / (num_classes - 1), mstype.float32) self.ce = nn.SoftmaxCrossEntropyWithLogits() self.mean = ops.ReduceMean(False) def construct(self, logit, label): one_hot_label = self.onehot(label, ops.shape(logit)[1], self.on_value, self.off_value) loss = self.ce(logit, one_hot_label) loss = self.mean(loss, 0) return loss ``` 在`__main__`函数中调用定义好的损失函数： ```python ... from src.crossentropy import CrossEntropy ... if __name__ == "__main__": ... # define the loss function if not config.use_label_smooth: config.label_smooth_factor = 0.0 loss = CrossEntropy(smooth_factor=config.label_smooth_factor, num_classes=config.class_num) ... ``` ### 定义优化器 THOR优化器的参数更新公式如下： $$ \theta^{t+1} = \theta^t + \alpha F^{-1}\nabla E$$ 参数更新公式中各参数的含义如下： - $\theta$：网络中的可训参数； - $t$：迭代次数； - $\alpha$：学习率值，参数的更新步长； - $F^{-1}$：FIM矩阵，在网络中计算获得； - $\nabla E$：一阶梯度值。 从参数更新公式中可以看出，THOR优化器需要额外计算的是每一层的FIM矩阵，每一层的FIM矩阵就是之前在自定义的网络模型中计算获得的。FIM矩阵可以对每一层参数更新的步长和方向进行自适应的调整，加速收敛的同时可以降低调参的复杂度。 ```python ... if args_opt.device_target == "Ascend": from src.thor import THOR else: from src.thor import THOR_GPU as THOR ... if __name__ == "__main__": ... # learning rate setting lr = get_model_lr(0, config.lr_init, config.lr_decay, config.lr_end_epoch, step_size, decay_epochs=39) # define the optimizer opt = THOR(filter(lambda x: x.requires_grad, net.get_parameters()), Tensor(lr), config.momentum, filter(lambda x: 'matrix_A' in x.name, net.get_parameters()), filter(lambda x: 'matrix_G' in x.name, net.get_parameters()), filter(lambda x: 'A_inv_max' in x.name, net.get_parameters()), filter(lambda x: 'G_inv_max' in x.name, net.get_parameters()), config.weight_decay, config.loss_scale) ... ``` ## 训练网络 ### 配置模型保存 MindSpore提供了callback机制，可以在训练过程中执行自定义逻辑，这里使用框架提供的`ModelCheckpoint`函数。 `ModelCheckpoint`可以保存网络模型和参数，以便进行后续的fine-tuning操作。 `TimeMonitor`、`LossMonitor`是MindSpore官方提供的callback函数，可以分别用于监控训练过程中单步迭代时间和`loss`值的变化。 ```python ... from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, TimeMonitor, LossMonitor ... if __name__ == "__main__": ... # define callbacks time_cb = TimeMonitor(data_size=step_size) loss_cb = LossMonitor() cb = [time_cb, loss_cb] if config.save_checkpoint: config_ck = CheckpointConfig(save_checkpoint_steps=config.save_checkpoint_epochs * step_size, keep_checkpoint_max=config.keep_checkpoint_max) ckpt_cb = ModelCheckpoint(prefix="resnet", directory=ckpt_save_dir, config=config_ck) cb += [ckpt_cb] ... ``` ### 配置训练网络 通过MindSpore提供的`model.train`接口可以方便地进行网络的训练。THOR优化器通过降低二阶矩阵更新频率，来减少计算量，提升计算速度，故重新定义一个Model_Thor类，继承MindSpore提供的Model类。在Model_Thor类中增加二阶矩阵更新频率控制参数，用户可以通过调整该参数，优化整体的性能。 ```python ... from mindspore import FixedLossScaleManager from src.model_thor import Model_Thor as Model ... if __name__ == "__main__": ... loss_scale = FixedLossScaleManager(config.loss_scale, drop_overflow_update=False) if target == "Ascend": model = Model(net, loss_fn=loss, optimizer=opt, amp_level='O2', loss_scale_manager=loss_scale, keep_batchnorm_fp32=False, metrics={'acc'}, frequency=config.frequency) else: model = Model(net, loss_fn=loss, optimizer=opt, loss_scale_manager=loss_scale, metrics={'acc'}, amp_level="O2", keep_batchnorm_fp32=True, frequency=config.frequency) ... ``` ### 运行脚本 训练脚本定义完成之后，调`scripts`目录下的shell脚本，启动分布式训练进程。 #### Ascend 910 目前MindSpore分布式在Ascend上执行采用单卡单进程运行方式，即每张卡上运行1个进程，进程数量与使用的卡的数量一致。进程均放在后台执行，每个进程创建1个目录，目录名称为`train_parallel`+ `device_id`，用来保存日志信息，算子编译信息以及训练的checkpoint文件。下面以使用8张卡的分布式训练脚本为例，演示如何运行脚本： 使用以下命令运行脚本： ```bash sh run_distribute_train.sh ``` 脚本需要传入变量`RANK_TABLE_FILE`、`DATASET_PATH`和`DEVICE_NUM`，其中： - `RANK_TABLE_FILE`：组网信息文件的路径。(rank table文件的生成，参考[HCCL_TOOL](https://gitee.com/mindspore/mindspore/tree/r1.1/model_zoo/utils/hccl_tools)) - `DATASET_PATH`：训练数据集路径。 - `DEVICE_NUM`：实际的运行卡数。 其余环境变量请参考安装教程中的配置项。 训练过程中loss打印示例如下： ```bash ... epoch: 1 step: 5004, loss is 4.4182425 epoch: 2 step: 5004, loss is 3.740064 epoch: 3 step: 5004, loss is 4.0546017 epoch: 4 step: 5004, loss is 3.7598825 epoch: 5 step: 5004, loss is 3.3744206 ... epoch: 40 step: 5004, loss is 1.6907625 epoch: 41 step: 5004, loss is 1.8217756 epoch: 42 step: 5004, loss is 1.6453942 ... ``` 训练完后，每张卡训练产生的checkpoint文件保存在各自训练目录下，`device_0`产生的checkpoint文件示例如下: ```bash └─train_parallel0 ├─resnet-1_5004.ckpt ├─resnet-2_5004.ckpt │ ...... ├─resnet-42_5004.ckpt │ ...... ``` 其中， `*.ckpt`：指保存的模型参数文件。checkpoint文件名称具体含义：*网络名称*-*epoch数*_*step数*.ckpt。 #### GPU 在GPU硬件平台上，MindSpore采用OpenMPI的`mpirun`进行分布式训练，进程创建1个目录，目录名称为`train_parallel`，用来保存日志信息和训练的checkpoint文件。下面以使用8张卡的分布式训练脚本为例，演示如何运行脚本： ```bash sh run_distribute_train_gpu.sh ``` 脚本需要传入变量`DATASET_PATH`和`DEVICE_NUM`，其中： - `DATASET_PATH`：训练数据集路径。 - `DEVICE_NUM`：实际的运行卡数。 在GPU训练时，无需设置`DEVICE_ID`环境变量，因此在主训练脚本中不需要调用`int(os.getenv('DEVICE_ID'))`来获取卡的物理序号，同时`context`中也无需传入`device_id`。我们需要将device_target设置为GPU，并需要调用`init()`来使能NCCL。 训练过程中loss打印示例如下： ```bash ... epoch: 1 step: 5004, loss is 4.2546034 epoch: 2 step: 5004, loss is 4.0819564 epoch: 3 step: 5004, loss is 3.7005644 epoch: 4 step: 5004, loss is 3.2668946 epoch: 5 step: 5004, loss is 3.023509 ... epoch: 36 step: 5004, loss is 1.645802 ... ``` 训练完后，保存的模型文件示例如下: ```bash └─train_parallel ├─ckpt_0 ├─resnet-1_5004.ckpt ├─resnet-2_5004.ckpt │ ...... ├─resnet-36_5004.ckpt │ ...... ...... ├─ckpt_7 ├─resnet-1_5004.ckpt ├─resnet-2_5004.ckpt │ ...... ├─resnet-36_5004.ckpt │ ...... ``` ## 模型推理 使用训练过程中保存的checkpoint文件进行推理，验证模型的泛化能力。首先通过`load_checkpoint`接口加载模型文件，然后调用`Model`的`eval`接口对输入图片类别作出预测，再与输入图片的真实类别做比较，得出最终的预测精度值。 ### 定义推理网络 1. 使用`load_checkpoint`接口加载模型文件。 2. 使用`model.eval`接口读入测试数据集，进行推理。 3. 计算得出预测精度值。 ```python ... from mindspore import load_checkpoint, load_param_into_net ... if __name__ == "__main__": ... # define net net = resnet(class_num=config.class_num) net.add_flags_recursive(thor=False) # load checkpoint param_dict = load_checkpoint(args_opt.checkpoint_path) keys = list(param_dict.keys()) for key in keys: if "damping" in key: param_dict.pop(key) load_param_into_net(net, param_dict) net.set_train(False) # define model model = Model(net, loss_fn=loss, metrics={'top_1_accuracy', 'top_5_accuracy'}) # eval model res = model.eval(dataset) print("result:", res, "ckpt=", args_opt.checkpoint_path) ``` ### 执行推理 推理网络定义完成之后，调用`scripts`目录下的shell脚本，进行推理。 #### Ascend 910 在Ascend 910硬件平台上，推理的执行命令如下： ```bash sh run_eval.sh ``` 脚本需要传入变量`DATASET_PATH`和`CHECKPOINT_PATH`，其中： - `DATASET_PATH`：推理数据集路径。 - `CHECKPOINT_PATH`：保存的checkpoint路径。 目前推理使用的是单卡（默认device 0）进行推理，推理的结果如下： ```text result: {'top_5_accuracy': 0.9295574583866837, 'top_1_accuracy': 0.761443661971831} ckpt=train_parallel0/resnet-42_5004.ckpt ``` - `top_5_accuracy`：对于一个输入图片，如果预测概率排名前五的标签中包含真实标签，即认为分类正确； - `top_1_accuracy`：对于一个输入图片，如果预测概率最大的标签与真实标签相同，即认为分类正确。 #### GPU 在GPU硬件平台上，推理的执行命令如下： ```bash sh run_eval_gpu.sh ``` 脚本需要传入变量`DATASET_PATH`和`CHECKPOINT_PATH`，其中： - `DATASET_PATH`：推理数据集路径。 - `CHECKPOINT_PATH`：保存的checkpoint路径。 推理的结果如下： ```text result: {'top_5_accuracy': 0.9287972151088348, 'top_1_accuracy': 0.7597031049935979} ckpt=train_parallel/resnet-36_5004.ckpt ```