PaddlePaddle 1.2.3 发布,百度开源的深度学习框架

栏目: 软件资讯 · 发布时间: 5年前

内容简介:百度开源的深度学习框架 PaddlePaddle 1.2.3 发布了。 PaddlePaddle (PArallel Distributed Deep LEarning,并行分布式深度学习)是百度研发的深度学习平台,具有易用、高效、灵活和可伸缩等特点,为百度内部多项产...

百度开源的深度学习框架 PaddlePaddle 1.2.3 发布了。

PaddlePaddle (PArallel Distributed Deep LEarning,并行分布式深度学习)是百度研发的深度学习平台,具有易用、高效、灵活和可伸缩等特点,为百度内部多项产品提供深度学习算法支持。PaddlePaddle 也是一个易学、易用的开源深度学习框架, 能够让开发者和企业安全、高效地实现自己的 AI 想法。

新版更新内容如下:

重要更新

  • 统一Executor和ParallelExecutor接口,用户只需通过CompiledProgram将单卡模型转化多卡模型,并利用Executor进行训练或者预测。
  • 正式发布AnalysisConfig 预测接口,支持计算图分析、算子融合等优化,并支持利用 Intel MKLDNN、Nvidia TensorRT 子图引擎等第三方库的加速.
  • 模型库新增发布PaddlePaddle视频模型库,提供5个视频分类经典模型以及适合视频分类任务的通用骨架代码,用户可一键式高效配置模型完成训练和评测。
  • 新增支持NLP语义表示BERT模型,支持多机多卡训练,支持混合精度训练,训练速度对比主流实现提升50%+,提供完整部署示例。
  • 大规模稀疏参数服务器Benchmark发布, CPU多机异步训练发布显著提升点击率预估任务IO吞吐的built-in reader,多机多卡训练性能多方面提升。

基础框架

  • 安装
    • 新增 Linux 和MacOS下的中文版本辅助安装脚本,提供交互式安装方式,协助用户在复杂环境下快速完成PaddlePaddle安装。
    • Windows支持优化:新增cuda8,cudnn7的GPU支持,新增AVX指令集、MKLDNN、mnist数据集支持。修复Windows加载Linux/Mac下同版本paddle训练模型的问题。
  • 增加动态图基础功能
    • 动态图tracer、 autograd、python Layer/PyLayer,动态图支持MLP、GAN、ptbRNN、Resnet模型,动态图支持Optimizer、GPU训练。
  • Executor和ParallelExecutor接口优化
    • 对Executor和ParallelExecutor接口进行统一,用户只需通过CompiledProgram将单卡模型转化多卡模型,并利用Executor进行训练或者预测。
    • ParallelExecutor优化 对MultiDevSSAGraphBuilder进行重构,使得MultiDevSSAGraphBuilder更易扩展。 去除ParallelExecutor中的设备锁,提升ParallelExecutor多卡调度性能。
  • 中间表达IR和Pass方面的优化
    • 完善C++ IR graph的 python 接口以及C++ IR pass的python接口。
    • 在framework.py中新增IRGraph类,为在Python层编写IR Pass做准备。
    • 新增支持网络无锁更新的Pass。
    • 新增QuantizationTransformPass,此为Quantization Aware Training量化模式训练前的图修改操作部分。
  • 内存和显存方面的优化
    • 新增支持在编译时加入 Jemalloc 作为动态链接库,提升内存管理的性能,降低基础框架内存管理开销
    • 新增memory optimize,inplace pass, memory pool early deletion等显存优化策略。
    • 新增支持网络无锁更新的Pass。
    • 新增QuantizationTransformPass,此为Quantization Aware Training量化模式训练前的图修改操作部分。
  • Operator整体层面的优化
    • 每个op在执行前只做一次scope查询,减少读写锁操作(原来需要做1~5次scope查询)
    • 新增Temporary Allocator,减少op中的同步操作
    • 新增py_func operator,支持python op接入,用户可以借助py_func Operator快速实现所需要的特有操作
  • 重构DDim,Variable Type等,降低基础框架调度开销。
  • INTEL FP32计算相关优化
    • 优化density_prior_box operator,单op四线程提速3倍。
    • 优化Stack operator,单op提速16倍。
    • 开发Transpose,Concat和Conv3d三个基于MKLDNN的kernel。
    • 修复lrn operator中MKLDNN kernel精度bug,同时单op提速1.3倍。
    • 修复MKLDNN初始化占用5G内存的问题,目前初始化占用500MB。
    • 减少从MKLDNN OP kernel到非MKLDNN OP kernel时不必要的reorder。
  • 完善CPU JitKernel
    • sequence pooling 的jitkernel,纯op提升2倍。
    • softmax 的jitkernel,纯op提升2倍,同时使得Bert模型CPU预测提升26%。
    • 常见的基本逻辑:向量的每个元素求平方kVSquare、矩阵乘法kMatMul、向量的最大值kHMax、向量所有元素的和kHSum。

预测引擎

  • 重要更新

    • 统一Executor和ParallelExecutor接口,用户只需通过CompiledProgram将单卡模型转化多卡模型,并利用Executor进行训练或者预测。
    • 正式发布AnalysisConfig 预测接口,支持计算图分析、算子融合等优化,并支持利用 Intel MKLDNN、Nvidia TensorRT 子图引擎等第三方库的加速.
    • 模型库新增发布PaddlePaddle视频模型库,提供5个视频分类经典模型以及适合视频分类任务的通用骨架代码,用户可一键式高效配置模型完成训练和评测。
    • 新增支持NLP语义表示BERT模型,支持多机多卡训练,支持混合精度训练,训练速度对比主流实现提升50%+,提供完整部署示例。
    • 大规模稀疏参数服务器Benchmark发布, CPU多机异步训练发布显著提升点击率预估任务IO吞吐的built-in reader,多机多卡训练性能多方面提升。

    基础框架

    • 安装
      • 新增Linux和MacOS下的中文版本辅助安装脚本,提供交互式安装方式,协助用户在复杂环境下快速完成PaddlePaddle安装。
      • Windows支持优化:新增cuda8,cudnn7的GPU支持,新增AVX指令集、MKLDNN、mnist数据集支持。修复Windows加载Linux/Mac下同版本paddle训练模型的问题。
    • 增加动态图基础功能
      • 动态图tracer、 autograd、python Layer/PyLayer,动态图支持MLP、GAN、ptbRNN、Resnet模型,动态图支持Optimizer、GPU训练。
    • Executor和ParallelExecutor接口优化
      • 对Executor和ParallelExecutor接口进行统一,用户只需通过CompiledProgram将单卡模型转化多卡模型,并利用Executor进行训练或者预测。
      • ParallelExecutor优化 对MultiDevSSAGraphBuilder进行重构,使得MultiDevSSAGraphBuilder更易扩展。 去除ParallelExecutor中的设备锁,提升ParallelExecutor多卡调度性能。
    • 中间表达IR和Pass方面的优化
      • 完善C++ IR graph的python接口以及C++ IR pass的python接口。
      • 在framework.py中新增IRGraph类,为在Python层编写IR Pass做准备。
      • 新增支持网络无锁更新的Pass。
      • 新增QuantizationTransformPass,此为Quantization Aware Training量化模式训练前的图修改操作部分。
    • 内存和显存方面的优化
      • 新增支持在编译时加入 Jemalloc 作为动态链接库,提升内存管理的性能,降低基础框架内存管理开销
      • 新增memory optimize,inplace pass, memory pool early deletion等显存优化策略。
      • 新增支持网络无锁更新的Pass。
      • 新增QuantizationTransformPass,此为Quantization Aware Training量化模式训练前的图修改操作部分。
    • Operator整体层面的优化
      • 每个op在执行前只做一次scope查询,减少读写锁操作(原来需要做1~5次scope查询)
      • 新增Temporary Allocator,减少op中的同步操作
      • 新增py_func operator,支持python op接入,用户可以借助py_func Operator快速实现所需要的特有操作
    • 重构DDim,Variable Type等,降低基础框架调度开销。
    • INTEL FP32计算相关优化
      • 优化density_prior_box operator,单op四线程提速3倍。
      • 优化Stack operator,单op提速16倍。
      • 开发Transpose,Concat和Conv3d三个基于MKLDNN的kernel。
      • 修复lrn operator中MKLDNN kernel精度bug,同时单op提速1.3倍。
      • 修复MKLDNN初始化占用5G内存的问题,目前初始化占用500MB。
      • 减少从MKLDNN OP kernel到非MKLDNN OP kernel时不必要的reorder。
    • 完善CPU JitKernel
      • sequence pooling 的jitkernel,纯op提升2倍。
      • softmax 的jitkernel,纯op提升2倍,同时使得Bert模型CPU预测提升26%。
      • 常见的基本逻辑:向量的每个元素求平方kVSquare、矩阵乘法kMatMul、向量的最大值kHMax、向量所有元素的和kHSum。

    预测引擎

    服务器预测

    • 正式发布AnalysisConfig 预测接口,支持计算图分析、算子融合等优化,并支持利用 Intel MKLDNN、Nvidia TensorRT 子图引擎等第三方库的加速。
    • 预发布 intel CPU上的 预测 INT8 离线量化方案
      • 开发Conv2D,Pool2D,Quantize,Dequantize四个基于MKL-DNN的INT8 kernel。
      • 预发布Calibration的3个核心Python API(paddle.fluid.contrib.Calibrator)。
      • 开发Calibration工具,保证FP32和INT8的精度在ResNet-50和MobileNet-V1在ImageNet验证数据集上相差在1%内。
      • 支持Intel Xeon CascadeLake Server(VNNI指令)及Intel Xeon SkyLake Server,性能提升约为1.33倍。
    • CPU预测速度提升
      • fuse sequence pooling concatop,支持N (<200)个sequence_pooling op concat起来组成一个新op,整体使得seqpool模型 CPU预测提升56%。
      • fuse 连续重复的fc op为一个大op,使得seqpool模型CPU预测速度提升15%。
      • fuse 逻辑为((X * Y).^2 - (X.^2 * Y.^2) ) .* scalar的op组合 , 使得seqpool模型CPU预测速度提升8.2%。
      • 针对输入tensor元素个数为1的情况,优化compare_op的CPU Kernel。
    • 新增Paddle-TRT 对Calibration INT8的支持,GPU预测速度提升
      • 模型VGG,Resnet50上预测速度达到了Paddle-TRT float32的两倍性能。
      • 模型VGG,Resnet50在imagenet数据集上测试,精度下降0.3%以内。
    • 算子融合
      • 增加 fc和 con 相关两个 fuse,作用于 conv_op CUDNN kernel。
      • 新增Conv+Affine Channel的融合pass,Faster RCNN运行的性能提升26.8%。
      • 新增Transpose+Flatten+Concat 融合pass,MobilenetSSD模型性能提升15%。
      • 实现beam_search operator的CUDA Kernel,并且将相应的top-k、elementwise_add、reshape、log计算融合到beam_search operator中。
    • 功能完善及易用性提升
      • 新增C++ IR graph的Python接口。
      • 新增预测库的Python接口。
      • 服务端预测支持从内存加载模型。
    • 其他
      • 删除legacy V2代码。从1.3版本起,不再支持V1&V2老版本功能。
      • 修复Paddle-TRT elementwise-mul模型运行出现问题的bug。
      • 修复Paddle-TRT trt_engine stream多个连续输入情况下模型输出结果异常的bug。

    移动端预测

    • 效率优化,常见模型预测速度提升
      • int8预测支持dequantize和其他op(batch normalization/relu/elementwise add)进行自动kernel融合。
      • transpose2 operator对于shuffle channel操作进行优化。
      • gru operator使用neon指令进行优化,并针对batch size为1时进行优化。
      • 优化和实现pooling,支持任意的padding。
      • 优化和实现batch normalization、softmax、elementwise add。
    • 新增支持多个输入和多个输出的模型预测。
    • 新增实现prelu6 operator、cast operator、top_k operator。
    • 修复int8 offline量化溢出结果不对的问题。
    • 修复winograd实现在输入feature map的height和width不相等时结果可能为0的bug。

    模型建设

    • PaddleCV 智能视觉
      • 新增发布PaddlePaddle视频模型库,包括五个视频分类模型:Attention Cluster、NeXtVLAD、LSTM,、stNet、TSN。提供适合视频分类任务的通用骨架代码,包括数据读取和预处理、训练和预测、网络模型以及指标计算等多个模块。用户根据需要添加自己的网络模型,直接复用其他模块的代码,快速部署模型。
      • 新增支持目标检测Mask R-CNN模型,效果与主流实现打平。
      • 语义分割DeepLabV3+模型,depthwise_conv op融合,显存优化,显存占用对比上一版本减少50%。
    • PaddleNLP 智能文本处理
      • 新增支持NLP语义表示BERT模型,支持多机多卡训练,支持混合精度训练,训练速度对比主流实现提升50%+,提供完整部署示例。
      • 机器翻译Transformer模型优化解码计算,decoder中加入对encoder output计算结果的cache,预测速度提升一倍。
    • PaddleRec 智能推荐
      • Sequence Semantic Retrieval 新增单机多线程、单机多卡运行示例,添加预测功能、数据预处理优化,完善部署示例。
      • GRU4Rec新增负采样功能,使用bpr loss和cross entropy loss的效果与原作打平。

    分布式训练

    • 大规模稀疏参数服务器Benchmark发布
      • 测试真实业务场景下,特征规模百亿、样本平均特征数1k的点击率预估任务,在batch=512情况下,100worker加速比90.5,吞吐量1.36M/s 。
    • CPU多机异步训练
      • 发布面向点击率预估任务的built-in reader,Criteo数据集下IO总吞吐提升1300%。
    • GPU多机多卡水平扩展性能提升
      • 新增并行模式:PG(ParallelGraph)、MP(Multi-Process),独立GPU卡之间的计算,提升性能同时,不影响模型精度。
      • 在ResNet50模型,单机8卡V100下,PG, MP模式提升训练性能30%以上;4机32卡,PG模式提速46%,MP模式提速60%。
      • 在BERT模型,8卡V100下,PG, MP模式提升训练性能26%。
      • Multi-Process模式相比Parallel-Graph模式对Reader速度敏感度不高。
    • GPU多机多卡垂直扩展性能提升
      • 新增功能:fp16和混合精度训练
      • Fp16单机单卡加速情况:ResNet50提速约87%,BERT提速约70%。
      • BERT同时开启PG和混合精度,单机8卡下单位时间吞吐提升120%。
      • ResNet50同时开启混合精度训练和MP模式,在V100单机8卡、4机32卡下,单位时间吞吐提升100%。
    • 典型模型收敛速度优化
      • 新增功能:动态Batch Size,动态Image Resize方法。
      • Resnet50 on Imagenet数据集:训练收敛轮数下降为标准训练方法的1/3左右。

    VisualDL

    • VisualDL graph支持Paddle fluid保存的模型可视化展示。

更新说明

下载地址:


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

构建高可用Linux服务器

构建高可用Linux服务器

余洪春 / 机械工业出版社华章公司 / 2011-11-1 / 79.00元

资深Linux/Unix系统管理专家兼架构师多年一线工作经验结晶,51CTO和ChinaUnix等知名社区联袂推荐。结合实际生产环境,从Linux虚拟化、集群、服务器故障诊断与排除、系统安全性等多角度阐述构建高可用Linux服务器的最佳实践。本书实践性非常强,包含大量企业级的应用案例及相应的解决方案,读者可以直接用这些方案解决在实际工作中遇到的问题。 全书一共10章。第1章以作者的项目实践为......一起来看看 《构建高可用Linux服务器》 这本书的介绍吧!

JSON 在线解析
JSON 在线解析

在线 JSON 格式化工具

HTML 编码/解码
HTML 编码/解码

HTML 编码/解码

HEX HSV 转换工具
HEX HSV 转换工具

HEX HSV 互换工具