使用mindoptimizer进行超参调优

Linux Ascend GPU CPU 模型调优 中级 高级

查看源文件  

概述

机器学习领域一般有两类参数,一类是模型内部参数,依靠训练数据来对模型参数进行调参,还有一类则是模型外部的设置参数,需要人工配置,这类参数被称为“超参数”。不同的超参数会对模型效果有不小的影响,因此超参在训练任务中的重要性较高。传统的方式都需要人工去调试和配置,这种方式消耗时间和精力。MindInsight调参功能可以用于搜索超参,基于用户给的调参配置信息,可以自动搜索参数并且执行模型训练。

MindInsight提供的mindoptimizer调参命令可以根据用户配置,从训练日志中提取以往训练记录,再对以往训练记录进行分析,推荐超参,最后自动执行训练脚本。用户在使用时需要按照yaml格式来配置超参的范围等信息,再参考本教程替换训练脚本中的超参,旨在将自动推荐的超参同步到训练脚本里面。当前仅支持高斯过程调参方法,其他方法敬请期待。

安装

此工具为MindInsight的子模块,安装MindInsight后,即可使用MindInsight调参命令,安装MindInsight请参考该安装文档

用法

MindInsight提供调参命令,命令行(Command-line interface, CLI)的使用方式如下:

usage: mindoptimizer [-h] [--version] [--config CONFIG]
                     [--iter ITER]

optional arguments:
  -h, --help             Shows the help message and exits.
  --version              Shows the program version and exits.
  --config CONFIG        Specifies the configuration file for parameter tuning.
                         The file format is yaml.
  --iter ITER            Specifies the times of automatic training.
                         Automatically recommended parameters are used every time
                         before the training is performed.
                         The default value of ITER is 1.

配置文件规则说明

调参配置文件的格式是yaml,需配置运行命令、训练日志根目录、调参方法、优化目标和超参数信息。其中超参数需要配置取值范围,类型和来源等。MindInsight会根据配置的超参数和优化目标从训练日志中取训练记录,如学习率和正确率,可以供推荐算法分析它们之间的关系,更好地推荐超参数。

  1. 配置运行命令

    通过command来配置运行命令,如command: python train.py。在调参程序推荐出超参数后,运行命令会被直接执行。

  2. 配置训练日志根目录

    summary_base_dir是训练日志根目录,它用于训练记录的提取,这样可以更好地推荐超参。同时,建议用户在训练脚本中加SummaryColletor来收集训练信息,可查看Summmary收集教程。调参命令会根据配置的summary_base_dir来生成子目录路径,可配置在SummaryColletor记录该次训练记录。自动执行训练后,会在训练日志根目录的子目录记录当次训练信息,产生的训练信息可以作为训练记录来推荐下一次需要的超参。配置summary_base_dirsummary_base_dir: /home/summaries

  3. 配置调参方法

    通过name配置调参方法的名字,通过args字段来配置这个调参方法的参数。

    当前采用的算法是高斯过程回归器(Gaussian process regressor, GP),这个算法可配置采集方法(Acquisition Function),可选,范围是[ucb, pi,ei],默认值为ucb

    • Upper confidence bound (UCB)

    • Probability of improvement (PI)

    • Expected improvement (EI)

    示例:

    tuner:
        name: gp
        args:
            method: ucb
    
  4. 配置调参目标

    用户可以选择loss或者自定义的评估指标作为调参的目标。

    配置说明:

    • group:可选,取值包括system_definedmetric,默认system_defined。使用group来配置优化目标所在的组,如loss是系统自定义收集字段,则是system_defined组;而其他在Model()中使用的评估指标,如model = Model(net, loss_fn=loss, optimizer=None, metrics={'Accuracy'})Accuracy属于评估指标(metrics),因此组别是metric

    • goal:可选,取值包括minimizemaximize,默认minimize。使用goal来表示该目标的优化方向,如正确率越高越好,即goal需要配置为maximize

    配置loss:

    target:
        name:loss
    

    配置评估指标中的Accuracy:

    target:
        group: metric
        name: Accuracy
        goal: maximize
    
  5. 配置超参信息

    超参的配置字段:boundschoicetypesource。这里配置的超参字段,会用于训练记录的提取和超参推荐。其中,boundschoicetype会影响超参推荐,bounds配置了参数的上下界,choice表示推荐值从中选取,type则是配置了该参数的类型。

    目前系统自定义收集的可调字段包括learning_ratebatch_sizeepoch。其余参数都为用户自定义参数,可配置为user_defined,将在训练时被自动收集在训练日志中。

    • bounds: 列表,元素个数为2,第一个数为下界值min,第二个数为上界值max。范围是[min, max),生成随机数方法是numpy.random.uniform()

    • choice:列表,个数不限,参数取值从这个列表中的元素中选取。

    • type:必填,取值为intfloat

    • source:可选,取值为system_defineduser_defined。如果是自动收集的字段,默认为system_defined;否则,默认为user_defined

    boundschoice有且仅有一个,必填。如果配置了choice,仅会从choice的列表中选取值;如果同时配置了choicetype,则type不生效。

使用示例

若用户要优化learning_ratebatch_sizemomentum这几个超参数,且优化目标是Accuracy,则应按照如下示例配置yaml文件。

  1. 配置config.yaml

    command: sh /home/example/run_alexnet_ascend.sh
    summary_base_dir: /home/summaries
    tuner:
        name: gp
    target:
        group: metric
        name: Accuracy
        goal: maximize
    parameters:
        learning_rate:
            bounds: [0.00001, 0.001]
            type: float
        batch_size:
            choice: [32, 64, 128, 256]
            type: int
        momentum:
            source: user_defined
            choice: [0.8, 0.9]
            type: float
    

    momentum和系统定义的变量不存在重名问题,可不设置source这个字段。

    yaml配置同名字段会选取最后一个,请避免以下使用方式。

    parameters:
        learning_rate:
            bounds: [0.0005, 0.001]
            type: float
        learning_rate:
            source: user_defined
            bounds: [0.00002, 0.0001]
            type: float
    
  2. 在训练脚本实例化HyperConfig对象

    (1) 用户需要实例化HyperConfig,并使用HyperConfig实例的参数变量作为训练脚本中对应参数的取值。
    (2) 加上SummaryCollector来收集训练信息,包括超参和评估指标值等。

    Model Zoo中的训练脚本:

    ds_train = create_dataset_cifar10(args.data_path, batch_size)
    lr = Tensor(get_lr_cifar10(0, cfg.learning_rate, cfg.epoch_size, step_per_epoch))
    opt = nn.Momentum(network.trainable_params(), lr, cfg.momentum)
    
    model.train(cfg.epoch_size, ds_train, callbacks=[time_cb, ckpoint_cb, LossMonitor()]
    

    修改后:

    from mindinsight.optimizer import HyperConfig
    config = HyperConfig()
    params = config.params
    
    # Replace batch_size with params.batch_size.
    ds_train = create_dataset_cifar10(args.data_path, params.batch_size)
    # Replace cfg.learning_rate with params.learning_rate.
    lr = Tensor(get_lr_cifar10(0, params.learning_rate, cfg.epoch_size, step_per_epoch))
    # Replace cfg.momentum with params.momentum.
    opt = nn.Momentum(network.trainable_params(), lr, params.momentum)
    
    # Instantiate SummaryCollector and add it to callback to automatically collect training information.
    summary_cb = SummaryCollector(config.summary_dir)
    model.train(cfg.epoch_size, ds_train, callbacks=[time_cb, ckpoint_cb, LossMonitor(), summary_cb]
    
  3. 运行

    在进行自动调参前请确保训练脚本可以正确执行。

    mindoptimizer --config ./config.yaml --iter 10
    

    将执行训练的命令填写在配置文件中,在能够成功运行该训练命令的目录下运行mindoptimizer程序。

  4. 可视化

    基于config.yaml里面配置的summary_base_dir来启动MindInsight,启动方法可以查看MindInsight启动命令

注意事项

  1. 训练脚本由用户编写和维护,本工具不会自动修改训练脚本,如果训练脚本本身有错误,则使用本工具支持训练脚本时也会出错;

  2. 本工具不对运行过程中的打印信息进行处理或修改;

  3. 本工具需要确保调参过程可信,参数配置错误或脚本执行错误都会终止调参过程,用户可根据相应的提示来进行问题定位。