模型集成

创建于：2023年3月15日 | 最后更新：2024年1月16日 | 最后验证：2024年11月5日

本教程展示了如何使用torch.vmap对模型集成进行向量化。

什么是模型集成？

模型集成将多个模型的预测结果结合在一起。 传统上，这是通过在输入上分别运行每个模型，然后将预测结果结合起来完成的。然而，如果您运行的模型具有相同的架构，那么可以使用torch.vmap将它们结合在一起。vmap是一种函数变换，它在输入张量的维度上映射函数。它的一个用例是通过向量化消除for循环并加速它们。

让我们演示如何使用一组简单的MLP来实现这一点。

注意

本教程需要 PyTorch 2.0.0 或更高版本。

import torch
import torch.nn as nn
import torch.nn.functional as F
torch.manual_seed(0)

# Here's a simple MLP
class SimpleMLP(nn.Module):
    def __init__(self):
        super(SimpleMLP, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 128)
        self.fc3 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.flatten(1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.relu(x)
        x = self.fc3(x)
        return x

让我们生成一批虚拟数据，并假装我们正在处理一个MNIST数据集。因此，虚拟图像的大小为28x28，我们有一个大小为64的小批量。此外，假设我们想要结合来自10个不同模型的预测。

device = 'cuda'
num_models = 10

data = torch.randn(100, 64, 1, 28, 28, device=device)
targets = torch.randint(10, (6400,), device=device)

models = [SimpleMLP().to(device) for _ in range(num_models)]

我们有几个生成预测的选项。也许我们想给每个模型一个不同的随机小批量数据。或者，也许我们想通过每个模型运行相同的小批量数据（例如，如果我们正在测试不同模型初始化的效果）。

选项1：每个模型使用不同的minibatch

minibatches = data[:num_models]
predictions_diff_minibatch_loop = [model(minibatch) for model, minibatch in zip(models, minibatches)]

选项2：相同的小批量

minibatch = data[0]
predictions2 = [model(minibatch) for model in models]

使用vmap对集成进行向量化

让我们使用vmap来加速for循环。我们必须首先准备模型以便与vmap一起使用。

首先，让我们通过堆叠每个参数来将模型的状态组合在一起。例如，model[i].fc1.weight 的形状是 [784, 128]；我们将堆叠这10个模型中每个模型的 .fc1.weight，以生成一个形状为 [10, 784, 128] 的大权重。

PyTorch 提供了 torch.func.stack_module_state 便捷函数来实现这一点。

from torch.func import stack_module_state

params, buffers = stack_module_state(models)

接下来，我们需要定义一个函数来vmap。该函数应该根据参数、缓冲区和输入，使用这些参数、缓冲区和输入来运行模型。我们将使用torch.func.functional_call来帮助实现：

from torch.func import functional_call
import copy

# Construct a "stateless" version of one of the models. It is "stateless" in
# the sense that the parameters are meta Tensors and do not have storage.
base_model = copy.deepcopy(models[0])
base_model = base_model.to('meta')

def fmodel(params, buffers, x):
    return functional_call(base_model, (params, buffers), (x,))

选项1：使用不同的minibatch为每个模型获取预测。

默认情况下，vmap 将函数映射到传递给函数的所有输入的第一个维度。在使用 stack_module_state 之后，每个 params 和缓冲区在前面都有一个大小为 'num_models' 的额外维度，而小批量数据也有一个大小为 'num_models' 的维度。

print([p.size(0) for p in params.values()]) # show the leading 'num_models' dimension

assert minibatches.shape == (num_models, 64, 1, 28, 28) # verify minibatch has leading dimension of size 'num_models'

from torch import vmap

predictions1_vmap = vmap(fmodel)(params, buffers, minibatches)

# verify the ``vmap`` predictions match the
assert torch.allclose(predictions1_vmap, torch.stack(predictions_diff_minibatch_loop), atol=1e-3, rtol=1e-5)

[10, 10, 10, 10, 10, 10]

选项2：使用相同的小批量数据获取预测。

vmap 有一个 in_dims 参数，用于指定要映射的维度。 通过使用 None，我们告诉 vmap 我们希望相同的 minibatch 应用于所有 10 个模型。

predictions2_vmap = vmap(fmodel, in_dims=(0, 0, None))(params, buffers, minibatch)

assert torch.allclose(predictions2_vmap, torch.stack(predictions2), atol=1e-3, rtol=1e-5)

快速说明：关于哪些类型的函数可以被vmap转换存在一些限制。最适合转换的函数是纯函数：即输出仅由输入决定且没有副作用（例如突变）的函数。vmap无法处理任意Python数据结构的突变，但它能够处理许多原地PyTorch操作。

性能

对性能数据感到好奇吗？以下是这些数据的情况。

from torch.utils.benchmark import Timer
without_vmap = Timer(
    stmt="[model(minibatch) for model, minibatch in zip(models, minibatches)]",
    globals=globals())
with_vmap = Timer(
    stmt="vmap(fmodel)(params, buffers, minibatches)",
    globals=globals())
print(f'Predictions without vmap {without_vmap.timeit(100)}')
print(f'Predictions with vmap {with_vmap.timeit(100)}')

Predictions without vmap <torch.utils.benchmark.utils.common.Measurement object at 0x7fd43694c670>
[model(minibatch) for model, minibatch in zip(models, minibatches)]
  2.61 ms
  1 measurement, 100 runs , 1 thread
Predictions with vmap <torch.utils.benchmark.utils.common.Measurement object at 0x7fd43694ca90>
vmap(fmodel)(params, buffers, minibatches)
  894.99 us
  1 measurement, 100 runs , 1 thread

使用vmap可以大幅提升速度！

通常，使用vmap进行向量化应该比在for循环中运行函数更快，并且与手动批处理竞争。不过也有一些例外，比如如果我们没有为特定操作实现vmap规则，或者底层内核没有为旧硬件（GPU）进行优化。如果您发现任何这些情况，请通过在GitHub上提交问题告知我们。