标签：高阶 矩阵 信息 THOR 二阶 维度 优化 MindSpore
MindSpore 高阶优化器
MindSpore自研优化器THOR(Trace-based Hardware-driven layer-ORiented Natural Gradient Descent Computation)，该优化器在ImageNet上训练ResNet50，使用MindSpore+8 Ascend 910 仅需66.7分钟，当使用256节点时仅需2.7分钟！
关于一二阶优化器，其中二阶优化器与一阶优化器相比收敛速度更快，但缺点是二阶信息矩阵求逆复杂度高，为
, 其中 n 为二阶信息矩阵维度，当模型参数量为
时，对应的二阶信息矩阵的大小为 
。在深度学习模型中, 
常常在数百万的量级，此时二阶信息矩阵的逆无法计算。因此如何降低二阶信息矩阵求逆的计算复杂度成为关键问题。
MindSpore针对该问题，提出了自研算法THOR，该算法是基于自然梯度法，对Fisher矩阵做了近似，自然梯度法中的 
矩阵可以表示为：
其中
是网络模型的预测分布，
是其概率密度， 
是需要网络模型的参数。
那THOR主要做了哪些改进呢，我们一起来看一下：
1. 降低二阶信息矩阵更新频率
通过实验观察
矩阵的F范数（Frobenius norm），在前期变化剧烈，后期逐渐变稳定，从而假设
是一个马尔可夫过程，可以收敛到一个稳态分布π，其中 
代表第k个迭代时的
矩阵。因此，在训练过程中逐步增大
矩阵的更新间隔，可以在不影响收敛速度的情况下，减少训练时间。例如在ResNet50中，更新间隔步数随着训练的进行越来越大，到后期每个epoch只需更新一次二阶信息矩阵，如下图所示。
THOR受KFAC启发，将
矩阵按层解耦来降低矩阵复杂度，分别针对每一层的
矩阵做实验，发现有些层的
矩阵趋于稳态的速度更快，因此在统一的更新间隔上，更加细粒度的去调整每一层的更新频率。THOR使用矩阵的迹作为判断条件，当迹的变化情况大于某一阈值时，更新该层的二阶信息矩阵，否则沿用上一个迭代的二阶信息矩阵，并且引入了停止更新机制，当迹的变化量小于某个阈值时，停止更新该层二姐信息矩阵，具体更新公式如下：
2. 硬件感知矩阵切分
THOR在将
矩阵按层解耦的基础上，进一步假设每个网络层中的输入和输出块之间也是独立的，例如将每层网络的输入输出切分为n个块，这n个块之间即是独立的，根据该假设，对二阶信息矩阵做进一步的切分，从而提高了计算效率。THOR结合矩阵信息损失数据和矩阵性能数据确定了矩阵分块维度，从而大大提升
矩阵求逆时间。
那么如何确定矩阵分块维度的呢。具体方法为：
（1）根据
矩阵中维度最大的那一层，确定矩阵切分维度，拿ReseNet-50举例，网络层中的最大维度为2048，确定矩阵切分维度为[1,16,32,64,128,256,512,1024,2048]；
（2）根据确定的矩阵维度，根据谱范数计算每个维度下的矩阵损失，具体公式为
其中 
表示矩阵 X 的最大特征值， A 表示原始未分割矩阵，
表示分割后的矩阵。然后统计在该维度下损失小于1%的矩阵数量，最后通过除以总的矩阵数量得到标准化后的矩阵损失信息。
（3）根据确定的矩阵维度，计算每个维度下的矩阵求逆时间，再通过公式
得到每个维度下标准化后性能数据，其中
表示维度最小的矩阵的性能数据，
表示第n个维度下的性能数据。
（4）根据标注化后的矩阵损失信息和标准化后的性能数据绘图，如以ResNet50为例，可得到下图，图中交叉点为106，与128最接近，最后确定矩阵切分维度为128。
3. 实验结果
下图展示了THOR在ResNet50+ImageNet，batchsize为256时一二阶上的训练曲线图。
图中的THOR，THOR_stop，THOR_NT分表表示 ，从图中可以看到THOR收敛所需迭代数大约是一阶的一半，且单step的时间与一阶相差也不大。相比一阶算法需要117min，二阶优化器端到端时间提速约40%。
THOR还测试了在不同batchsize下ResNet50+ImageNet的收敛结果，结果见下表，当batchsize为8192，使用256块Ascend 910时，只需2.7分钟精度即可收敛到75.9%，该结果在业界也是非常有竞争力的。MindSpore团队还会将THOR进一步应用到NLP领域中，如Bert和GPT-3，THOR在NLP任务上的表现。
标签：高阶,矩阵,信息,THOR,二阶,维度,优化,MindSpore 来源： https://www.cnblogs.com/wujianming-110117/p/14385699.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。