> 文档中心 > OneFlow v0.6.0正式发布

OneFlow v0.6.0正式发布

75763e097e91d0f25170df6d7599fddb.png

今天是 OneFlow 开源的 528 天,OneFlow v0.6.0 正式发布。本次版本更新包括框架、模型和 OneFlow-ONNX 三大部分,主要有:

  • 性能提升,包括静态图、动态图、算子性能、显存占用等方面

  • 新增大量常用算子

  • 完善静态图和 ConsistentTensor 功能

  • 支持 OneFlow 作为 Nvidia Triton 的后端提供 Serving 功能

  • 实现丰富的视觉预训练模型,与 torchvision、timm 对齐

  • 实现更加完善的 OneFlow-ONNX 转换功能

以下为版本更新详情。

框架优化

1. 深度优化 nn.Graph 的性能

  • 与 v0.5.0 相比, v0.6.0 的 nn.Graph 在 ResNet AMP  和 WDL 等模型上的训练速度提升了 10%

    • 新版的动静转换功能的性能还有可优化的空间,近期着重优化了 nn.Graph 在高频率迭代训练场景下的性能

    • 重新设计实现了 nn.Graph 的调度指令, 重构了 Actor Graph 与 Eager VM 的交互逻辑,使得 Graph 的 runtime 执行与 Python input/output Tensor 尽可能异步流水并行

2. 深度优化 Eager 性能

  • 与 v0.5.0 相比,v0.6.0 OneFlow Eager 在小 batch 场景下的训练速度大幅提升

    • 深度优化虚拟机的调度逻辑

    • 优化 get/set item

    • 优化 tensor.numel()

    • 优化 oneflow.Size()

3. 深度优化算子性能

  • 着重优化了一些影响新模型性能瓶颈的算子,使得相关的模型训练速度有明显提升

    • 新增 fused dropout系列算子

    • 新增 CPU版 group deconv 并优化性能

    • 给以下算子新增 inplace 版本实现:mul, hard_sigmoid, sin

    • 对linalg.vector_norm在ord=2.0时进行了性能优化,相比之前提升了4倍

    • 深度优化LayerNorm op,性能大幅度领先PyTorch和Apex实现

    • 实现op的数据类型自动提升

4. 深度优化 Eager 显存占用

  • 优化了某些算子在网络训练中对显存占用,使得相同计算设备可以跑更大的模型或数据

    • 优化 broadcast binary 一族算子的后向显存占用

    • 优化 Slice 算子的后向显存占用

    • 优化 LayerNorm 的显存占用  

5. 给静态图 nn.Graph 新增众多实用功能

  • 静态图抽象 nn.Graph 增加了许多新功能,涉及静态图的效率、调试、完备性以及在更多场景下的易用性等方面:

    • 为了辅助静态图的调试,我们新增了:

    • debug 模式支持 graph.debug(1) 打印更多构图信息

    • 提供环境变量:ONEFLOW_DEBUG_PASS 来显示编译期 图优化前后计算图的变化

    • 给 Nsight Profile 增加用户可读的线程命名信息,方便定位和检索目标关键线程位置

    • 丰富了大量静态图的测试用例:增加伴随Eager测试的自动nn.Graph测试

    • 为了支持使用 nn.Graph 做模型的部署(Serving),提供了 graph.save() 和 load() 接口

    • 为了在使用 TensorCore 的 GPU 上做 AMP 的加速,提供了环境变量:ONEFLOW_ENABLE_NHWC 用于表示 CNN 相关算子进行 channels last 计算

    • 使得 nn.Graph 支持更多的使用场景:

    • 支持 稀疏更新 Optimizer,用于 WDL 场景下的参数稀疏更新

    • 支持在nn.Graph下使用Sequential, ModuleList, ModuleDict, ParameterList, ParameterDict这些nn.Module Container

    • 支持在nn.Graph的init函数中创建Optimizer

    • 支持nn.Graph下多个参数共用同一个Tensor

    • 支持实际的进程数大于GPU设备数的使用场景

    • nn.Graph下Consistent的SBP推理时考虑Inplace,支持更多Inplace执行

6. 新增了大量算子

  • 新增算子:cumsum, meshgrid, linspace, diagonal, movedim, roialign, nms, arccos, roll

  • 新增算子:masked_fill, floordiv, glu, pool1d, pool2d, pool3d

  • 新增unfold和fold op

  • 实现op的数据类型自动提升

  • 实现expand和repeat op

  • 目前 torchvision 库的模型可以通过import oneflow as torch实现一键切换

7. 支持用户自定义 autograd.Function

  • 用户可以像 Torch 一样自定义 autograd.Function

8. 提供基础的 Serving 功能

  • 支持 OneFlow 作为 Triton 的 backend 提供模型的 Serving 功能

9. 新增 Tensor(ConsistentTensor) 的部分功能

  • 支持 Tensor 使用 2-D SBP 来表示任意的混合并行方式(如一个 Linear 运算在设备矩阵的行方向上数据并行,在列方向上模型并行)

  • 支持 Tensor 从任意的 1-D SBP 到 2-D SBP 的转换(网络由 1-D 并行 和 2-D 并行混合组成)

  • 支持从 numpy 构造 ConsistentTensor

  • 新增 oneflow.from_numpy()

  • 新增 oneflow.numel()

  • 新增 tensor.expand_as()  ###  

模型实现

发布 flowvison  0.0.54 

(链接:https://github.com/Oneflow-Inc/vision)

1. 实现了丰富的视觉预训练模型

图像分类

  • CNN系列: ResNet, DenseNet, VGG, ResNext, EfficientNet等

  • Vision Transformer系列: ViT, PVT, Swin-Transformer等

  • Vision MLP系列:Mlp-Mixer, Res-MLP, g-MLP等

目标检测

  • SSD, SSDLite

  • Faster R-CNN

  • RetinaNet

图像分割

  • FCN

  • DeepLabV3

风格迁移

  • StyleNet: 支持风格sketch, candy, mosaic, rain_princess, undie

undie

2. 实现了与torchvision对齐的数据增强操作

包括CenterCrop, ColorJitter等与torchvision对齐的数据增强操作,在大多数场景下可以import flowvision as torchvision直接替换

3. 对齐了timm中的高级的数据增强实现

flowvision.data中所实现的高级数据增强操作

  • Mixup

  • CutMix

  • Random-Erasing

  • AutoAugment

  • RandAugment

  • AugMix

4. 单独抽离出Layers模块,提供搭建模型时即插即用的Block

flowvision.layers.attention模块

  • 实现了Non-Local, SELayer, CBAM, BAM, ECA等即插即用的attention模块

flowvision.layers.blocks模块

  • 提供了PatchEmb, Pooler, ConvBnAct等在搭建模型时可能用到的模块

flowvision.layers.regularization模块

  • 提供了drop-path, drop-block, stochastic depth等正则化模块,用来提升模型泛化能力  此外还有activation, weight_init等单独的文件,用来提供激活函数,初始化方法等组件    

OneFlow-ONNX转换

更新 OneFlow 转 ONNX 模型格式的工具包

  • 支持CPU和GPU模式的OneFlow模型转onnx模型

  • 新增算子和模型测试样例,对齐OneFlowVision库中的全部分类模型

  • 修复PReLU转换时出现的onnx-runtime相关的bug

  • 兼容1.9.0版本以上的onnx-runtime库

  • 发布0.5.4版本oneflow-onnx包,pip install oneflow-onnx即可体验

其他人都在看

  • 动态调度的“诅咒”

  • 2021,我们的浮生一日

  • CUDA高性能计算经典问题:前缀和

  • Credit-based Flow Control的前世今生

  • 以OneFlow为例探索MLIR的实际开发流程

  • 计算机史最疯狂一幕:“蓝色巨人”奋身一跃

欢迎下载体验OneFlow新一代开源深度学习框架:https://github.com/Oneflow-Inc/oneflow/icon-default.png?t=LBL2https://github.com/Oneflow-Inc/oneflow/stargazers

c293ee9a8c61f70f3d336ea392f65f1f.png

31戒烟网