VolgendeVolgende gids
AI Precisiedosering en farmacokinetiek
Technisch
Technische GIDS
Mixed precision uses lower-precision arithmetic for selected operations while retaining precision where needed.
Luister naar deze gidsAI-verteld · ~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 wikkelt een trainingslus om het geheugen ongeveer te halveren en de doorvoer op een enkele GPU te verdubbelen
Train grote taalmodellen zoals transformatoren in GPT-stijl in bfloat16 op TPU's om afstemming op schaalverlies te voorkomen
Een grotere batchgrootte op een RTX-GPU voor consumenten plaatsen door ResNet-beeldtraining over te schakelen van FP32 naar FP16
FP8 gemengde precisie op NVIDIA H100 GPU's om de kosten van het voortrainen van modellen op grensschaal te verlagen
De precisie neemt steeds verder af. FP8-training, ondersteund door NVIDIA Hopper en Blackwell GPU's, wordt standaard voor frontier-modellen, en het onderzoek naar FP4 en microscaling-formaten (MXFP) gaat verder. Verwacht dat frameworks automatisch de nauwkeurigheid per laag selecteren, dat hardware native steeds smallere formaten aankan, en kwantiseringsbewuste training om de grens tussen training met lage precisie en inferentie te vervagen, waardoor de kosten van het trainen van modellen met biljoen parameters afnemen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
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 heeft een beperkt dynamisch bereik, waardoor kleine gradiënten naar nul kunnen worden afgerond; Door het verlies vóór de backprop te vermenigvuldigen, blijven ze representatief.
Bfloat16 behoudt 8 exponentbits zoals FP32, dus het dynamische bereik is groot en gradiëntonderstroom is zeldzaam.
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.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI Precisiedosering en farmacokinetiek
Technisch