✏️학습 정리

---

8. Multi-GPU 학습

• Model parallel

  • 다중 GPU에 학습을 분산하는 두가지 방법 (모델 나누기, 데이터 나누기)

  • 모델의 병목, 파이프라인의 어려움 등으로 인해 모델 병렬화는 고난이도 과제

    

• Data parallel

  • 데이터를 나눠 GPU에 할당후 결과의 평균을 취하는 방법

  • minibatch 수식과 유사한데 한번에 여러 GPU에서 수행

    

  • DataParallel: 단순히 데이터를 분배한 후 평균을 취함 (GPU 사용 불균형 발생 → GPU 병목)

  • DistributedDataParallel: 각 CPU마다 process 생성하여 개별 GPU에 할당 (개별적으로 연산의 평균을 냄)

9. Hyperparameter Tuning

• Hyperparameter Tuning

  • 모델 스스로 학습하지 않는 값은 사람이 지정(learning rate, 모델의 크기, optimizer 등..)

  • hyperparameter에 의해서 값이 크게 좌우 될 때도 있다. (요즘은 별로...)

  • 가장 기본적인 방법 (grid vs random)

    

  • 최근에는 베이지안 기반 기법들이 주도

• Ray

  • multi-node nulti processing 지원 모듈
  • ML/DL의 병렬 처리를 위해 개발된 모듈
  • Hyperparameter search를 위한 다양한 모듈 제공

10. PyTorch Troubleshooting

• OOM (Out of Memory)

  • 발생 이유를 알기 어려움
  • 어디서 발생했는지 알기 어려움
  • Error Tracking이 이상한 곳으로 감
  • 메모리의 이전상황의 파악이 어려움
  • 간단한 해결법 (Batch Size 줄이기 → GPU clean → 실행)

• GPU Util

  • nvidia-smi처럼 GPU 상태를 보여주는 모듈
  • Colab은 환경에서 GPU 상태 보여주기 편함
  • iter마다 메모리가 늘어나는지 확인

import GPUtil
GPUtil.showUtilization()

• torch.cuda.empty_cache()

  • 사용되지 않은 GPU상 cache를 정리
  • 가용 메모리를 확보
  • del 과는 구분이 필요
  • reset 대신 쓰기 좋은 함수

• trainning loop에 tensor로 축적되는 변수 확인

  • tensor로 처리된 변수는 GPU 상에 메모리 사용
  • 해당 변수가 loop 안의 연산에 있을 때 GPU에 computational graph를 생성(메모리 잠식)
  • 1-d tensor의 경우 python 기본 객체로 변환하여 처리
  • python의 메모리 배치 특성상 loop이 끝나도 메모리를 차지 → 필요가 없어진 변수는 적절한 삭제가 필요(del 사용)

• torch.no_grad() 사용

  • Inference 시점에서는 torch.no_grad() 구문을 사용
  • backward pass으로 인해 쌓이는 메모리에서 자유로움