개요
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.
심층 분석
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.
실제 구현
단일 GPU에서 메모리를 대략 절반으로 줄이고 처리량을 두 배로 늘리기 위해 훈련 루프를 래핑하는 PyTorch의 torch.cuda.amp.autocast
손실 조정 조정을 피하기 위해 TPU의 bfloat16에서 GPT 스타일 변환기와 같은 대규모 언어 모델 학습
ResNet 이미지 훈련을 FP32에서 FP16으로 전환하여 소비자 RTX GPU에 더 큰 배치 크기 맞추기
NVIDIA H100 GPU의 FP8 혼합 정밀도로 프론티어 규모 모델 사전 학습 비용 절감
혼합 정밀 훈련의 미래
정밀도가 계속 떨어지고 있습니다. NVIDIA Hopper 및 Blackwell GPU에서 지원되는 FP8 교육은 프론티어 모델의 표준이 되고 있으며 FP4 및 마이크로스케일링 형식(MXFP)에 대한 연구가 더욱 발전하고 있습니다. 레이어별 정밀도를 자동 선택하는 프레임워크, 점점 더 좁은 형식을 기본적으로 처리하는 하드웨어, 낮은 정밀도 교육과 추론 사이의 경계를 모호하게 만드는 양자화 인식 교육을 통해 1000조 매개변수 모델 교육 비용을 절감할 수 있습니다.
실천에 옮기기
왜 중요한가요?
- 비용 및 예산. 아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
- 더 명확한 결정들. 기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
- 품질 관리. 더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
조심하세요
- 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
- 인프라 및 유지 관리 비용은 종종 과소평가됩니다.
- 시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
다음 단계
- 구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
- 현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
- 오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
- 확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Mixed Precision Training quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
혼합 정밀 훈련이란 무엇입니까?
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.
In an FP16 training recipe that keeps an FP32 master weight, why retain it?
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 훈련에서 손실 조정은 어떤 문제를 해결합니까?
FP16은 동적 범위가 제한되어 있으므로 작은 기울기는 0으로 반올림될 수 있습니다. 역전파 전에 손실을 곱하면 표현 가능한 상태로 유지됩니다.
bfloat16은 FP16에 비해 어떤 장점이 있나요?
Bfloat16은 FP32와 같이 8개의 지수 비트를 유지하므로 동적 범위가 크고 그래디언트 언더플로우가 거의 없습니다.
For many supported Tensor Core matrix operations, how are partial sums commonly accumulated?
Many common Tensor Core operations accumulate in FP32 to reduce rounding error; this does not make the computation exact.
What is a common benefit of using 16-bit values for supported training operations?
Lower precision can reduce memory and speed supported operations, but total results depend on the model, hardware, and kernels used.