在神經(jīng)網(wǎng)絡(luò)的推理過程中,我們默認(rèn)是將pytorch的tensor的精度指定為單精度的float32,但是在有些時候不管是float16還是float32,在訓(xùn)練模型的時候都會導(dǎo)致精度丟失,從而引發(fā)訓(xùn)練效果的損失。那么pytorch怎么使用float64訓(xùn)練呢?接下來這篇文章告訴你。
首先我們要知道,pytorch默認(rèn)使用單精度float32訓(xùn)練模型,
原因在于:
使用float16訓(xùn)練模型,模型效果會有損失,而使用double(float64)會有2倍的內(nèi)存壓力,且不會帶來太多的精度提升。
本人,最近遇到需要使用double數(shù)據(jù)類型訓(xùn)練模型的情況,具體實現(xiàn)需要把模型的權(quán)重參數(shù)數(shù)據(jù)類型和輸入數(shù)據(jù)類型全部設(shè)置為torch.float64即可。
可使用torch的一個函數(shù),輕松地把模型參數(shù)轉(zhuǎn)化為float64
torch.set_default_dtype(torch.float64)
輸入類型可使用
tensor.type(torch.float64)
補充:float32和float64的本質(zhì)區(qū)別
首先我們需要知道何為bits和bytes?
bits:名為位數(shù)bytes:為字節(jié)簡單的數(shù)就是MB和G的關(guān)系!
那么8bits=1bytes,下面是各個單位的相互轉(zhuǎn)化!
那么float32和float64有什么區(qū)別呢?
數(shù)位的區(qū)別一個在內(nèi)存中占分別32和64個bits,也就是4bytes或8bytes數(shù)位越高浮點數(shù)的精度越高它會影響深度學(xué)習(xí)計算效率?
float64占用的內(nèi)存是float32的兩倍,是float16的4倍;
比如對于CIFAR10數(shù)據(jù)集,如果采用float64來表示,需要60000*32*32*3*8/1024**3=1.4G,光把數(shù)據(jù)集調(diào)入內(nèi)存就需要1.4G;
如果采用float32,只需要0.7G,如果采用float16,只需要0.35G左右;
占用內(nèi)存的多少,會對系統(tǒng)運行效率有嚴(yán)重影響;(因此數(shù)據(jù)集文件都是采用uint8來存在數(shù)據(jù),保持文件最小)
小結(jié)
在了解了float32和float64有什么區(qū)別之后,相信各位讀者心中已經(jīng)知道應(yīng)該如何選擇訓(xùn)練模型時要使用哪種精度了。以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持W3Cschool。