Mixed-Precision(float16 & float32)神经网络

本文探讨了MxNet中使用混合精度训练的优势,包括利用TensorCores加速计算,减少显存占用,允许更大batch及更复杂网络。文章详细介绍了如何有效实施混合精度,如数据与模型使用float16,特定层输出与参数服务器使用float32。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

MxNet的混合精度

使用float16的好处:

1. 借助Tensor Cores加快计算速度:这种GPU本身支持半精度计算;(不支持半精度计算的,例如CPU,反而会更慢)

2. 减少显存空间占用量: Model变小; 可以放更复杂的网络,可以使用更大的batch;减少访存量,减小通信量;

 

怎样做效果好:

1. 输入数据,网络模型,中间激活,都用float16;

2. 使用float32的:最后一层在softmax之前的输出(因为softmax的分母要做Reduction规约); 参数服务器里的共享w;

3. 临时改变Scale的:反向传播的激活函数梯度;

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值