傳統上，深度神經網絡訓練采用的是IEEE單精度格式，但借助混合精度，可采用半精度進行訓練，同時保持單精度的網絡精度。這種同時采用單精度和半精度表示的技術被稱為混合精度技術。

混合精度訓練的優勢

通過使用Tensor核心，可加速數學密集型運算，如線性和卷積層。

與單精度相比，通過訪問一半的字節來加速內存受限的運算。

降低訓練模型的內存要求，支持更大規模的模型或更大規模的批量訓練。

啟用混合精度包括兩個步驟：移植模型，以適時使用半精度數據類型；以及使用損耗定標，以保留小梯度值。

僅通過添加幾行代碼，TensorFlow、PyTorch和MXNet中的自動混合精確功能就能助力深度學習研究人員和工程師基于NVIDIA Volta和Turing GPU實現高達3倍的AI訓練加速。

將自動混合精度用于主流深度學習框架

TensorFlow

NVIDIA NGC容器注冊表中TensorFlow容器可提供自動混合精度功能。要在容器內啟用此功能，只需設置一個環境變量：

export TF_ENABLE_AUTO_MIXED_PRECISION=1

或者，您也可以在TensorFlow Python腳本中設置環境變量：

os.environ['TF_ENABLE_AUTO_MIXED_PRECISION'] = '1'

自動混合精度使用單一環境變量，在TensorFlow內部應用這兩個步驟，并在必要時進行更細粒度的控制。

PyTorch

GitHub的Apex存儲庫中提供了自動混合精度功能。可將以下兩行代碼添加至當前訓練腳本中以啟用該功能：

model, optimizer = amp.initialize(model, optimizer)

with amp.scale_loss(loss, optimizer) as scaled_loss:scaled_loss.backward()

MXNet

我們正在構建適用于MXNet的自動混合精度功能。您可通過GitHub了解我們的工作進展。可將以下代碼行添加至當前訓練腳本中以啟用該功能：

amp.init()amp.init_trainer(trainer)with amp.scale_loss(loss, trainer) as scaled_loss:autograd.backward(scaled_loss)