多模型、损失函数和优化器场景是指在神经网络中同时存在多个模型、多个损失函数和优化器的场景。

导入AMP模块

导入AMP模块，定义两个简单的神经网络。

import time
import torch
import torch.nn as nn
import torch_npu
from torch_npu.npu import amp
from torch.utils.data import Dataset, DataLoader
import torchvision

device = torch.device('npu:0')    # 用户请自行定义训练设备
# 定义一个简单的神经网络
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.net = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=16,
                      kernel_size=(3, 3),
                      stride=(1, 1),
                      padding=1),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(16, 32, 3, 1, 1),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(32*7*7, 16),
            nn.ReLU(),
            nn.Linear(16, 10)
        )
    def forward(self, x):
        return self.net(x)

# 定义第二个相似的神经网络，增加一层卷积层。
class CNN_2(nn.Module):
    def __init__(self):
        super(CNN_2, self).__init__()
        self.net = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=16,
                      kernel_size=(3, 3),
                      stride=(1, 1),
                       padding=1),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(16, 32, 3, 1, 1),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 3, 1, 1),
            nn.Flatten(),
            nn.Linear(32*7*7, 16),
            nn.ReLU(),
            nn.Linear(16, 10)
        )
    def forward(self, x):
        return self.net(x)

定义训练参数和数据

从torchvision中获取训练数据集，设置训练相关的参数batch_size、epochs。设置两个优化器，并在模型、优化器定义之后，定义AMP功能中的GradScaler。

train_data = torchvision.datasets.MNIST(
    root='mnist',
    download=True,
    train=True,
    transform=torchvision.transforms.ToTensor()
)
 
batch_size = 64
model0 = CNN().to(device)
model1 = CNN_2().to(device)

train_dataloader = DataLoader(train_data, batch_size=batch_size)    # 定义DataLoader
 
loss_func = nn.CrossEntropyLoss().to(device)    # 定义损失函数
 
optimizer0 = torch.optim.SGD(model0.parameters(), lr=0.1)    # 定义优化器0
optimizer1 = torch.optim.SGD(model1.parameters(), lr=0.1)    # 定义优化器1
 
scaler = amp.GradScaler()    # 在模型、优化器定义之后，定义GradScaler
epochs = 10

开启AMP进行训练

在训练代码中添加AMP功能相关的代码开启AMP，对多个损失函数和优化器进行计算。

for epo in range(epochs):
    for imgs, labels in train_dataloader:
        imgs = imgs.to(device)
        labels = labels.to(device)
        with amp.autocast():
            outputs0 = model0(imgs)    # 前向计算
            outputs1 = model1(imgs)
            loss0 = loss_func(2*outputs0+3*outputs1, labels)    # 损失函数计算
            loss1 = loss_func(3*outputs0-5*outputs1, labels)
        optimizer0.zero_grad()
        optimizer1.zero_grad()
        # 进行反向传播前后的loss缩放、参数更新
        scaler.scale(loss0).backward(retain_graph=True)    # loss缩放并反向转播
        scaler.scale(loss1).backward()
        scaler.step(optimizer0)    # 更新参数（自动unscaling）
        scaler.step(optimizer1)
        scaler.update()    # 基于动态Loss Scale更新loss_scaling系数