DalšíDalší průvodce
AI přesné dávkování a farmakokinetika
Technický
Technický PRŮVODCE
Mixed precision uses lower-precision arithmetic for selected operations while retaining precision where needed.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It can reduce memory use and improve throughput on supported hardware, but gains and numerical effects depend on the model, workload, hardware and training recipe.
Traditional training stores weights and runs math in 32-bit floating point (FP32). Mixed precision uses lower-precision FP16 or bfloat16 for eligible operations while retaining FP32 where needed. Some FP16 recipes maintain a separate FP32 master copy to accumulate small weight updates; autocast workflows may instead keep model parameters in FP32 while casting selected operation inputs. Using 16-bit tensors can reduce memory used by eligible operations. Supported accelerators may execute some low-precision operations faster, but end-to-end throughput depends on hardware, workload and which operations autocast selects. FP16 has a narrower range, so tiny gradients can underflow. Loss scaling multiplies the loss before backpropagation and reverses that scale before the optimizer update; tools such as torch.amp.GradScaler can manage this process. Bfloat16 has a wider exponent range than FP16 and often does not need the same loss-scaling strategy, though model and hardware behavior still need testing.
PyTorch's torch.cuda.amp.autocast zabaluje tréninkovou smyčku zhruba na polovinu paměti a zdvojnásobuje propustnost na jediném GPU
Školení velkých jazykových modelů, jako jsou transformátory ve stylu GPT, v bfloat16 na TPU, aby se zabránilo ladění škálování ztrát
Přizpůsobení větší velikosti dávky na spotřebitelský GPU RTX přepnutím tréninku obrazu ResNet z FP32 na FP16
Smíšená přesnost FP8 na GPU NVIDIA H100 pro snížení nákladů na přípravu modelů v hraničním měřítku
Přesnost stále klesá. Školení FP8, podporované na GPU NVIDIA Hopper a Blackwell, se stává standardem pro hraniční modely a výzkum FP4 a formátů microscaling (MXFP) posouvá dále. Očekávejte, že rámce budou automaticky vybírat přesnost na vrstvě, hardware bude nativně zpracovávat stále užší formáty a školení s ohledem na kvantizaci, které smaže hranici mezi trénováním s nízkou přesností a odvozením, čímž se sníží náklady na trénování modelů s biliony parametrů.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Mixed precision uses lower-precision arithmetic for selected operations while retaining precision where needed. It can reduce memory use and improve throughput on supported hardware, but gains and numerical effects depend on the model, workload, hardware and training recipe.
Some FP16 recipes keep an FP32 master weight so small optimizer updates are not lost to low-precision rounding; not every mixed-precision recipe uses a separate copy.
FP16 má omezený dynamický rozsah, takže malé gradienty se mohou zaokrouhlit na nulu; znásobením ztráty před backprop je udrží reprezentativní.
Bfloat16 zachovává 8 exponentních bitů jako FP32, takže jeho dynamický rozsah je velký a gradientní podtečení je vzácné.
Many common Tensor Core operations accumulate in FP32 to reduce rounding error; this does not make the computation exact.
Lower precision can reduce memory and speed supported operations, but total results depend on the model, hardware, and kernels used.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
AI přesné dávkování a farmakokinetika
Technický