快捷方式

torch.set_float32_matmul_precision

torch.set_float32_matmul_precision(precision)[源代码]

设置 float32 矩阵乘法的内部精度。

以较低精度运行 float32 矩阵乘法可能会显著提高性能,并且在某些程序中,精度损失的影响可以忽略不计。

支持三种设置

  • “highest”,float32 矩阵乘法在内部计算中使用 float32 数据类型(24 位尾数,其中 23 位显式存储)。

  • “high”,float32 矩阵乘法使用 TensorFloat32 数据类型(显式存储 10 位尾数)或将每个 float32 数字视为两个 bfloat16 数字的总和(大约 16 位尾数,其中 14 位显式存储),如果相应的快速矩阵乘法算法可用。否则,float32 矩阵乘法将按“highest”精度计算。有关 bfloat16 方法的更多信息,请参见下文。

  • “medium”,float32 矩阵乘法在内部计算中使用 bfloat16 数据类型(8 位尾数,其中 7 位显式存储),如果使用该数据类型的快速矩阵乘法算法可用。否则,float32 矩阵乘法将按“high”精度计算。

使用“high”精度时,float32 乘法可能会使用比简单地截断到某些较小的数字尾数位(例如 TensorFloat32 为 10 位,显式存储的 bfloat16 为 7 位)更复杂的基于 bfloat16 的算法。有关此算法的完整描述,请参阅 [Henry2019]。简单解释一下,第一步是认识到我们可以将单个 float32 数字完美地编码为三个 bfloat16 数字的总和(因为 float32 有 23 位尾数,而 bfloat16 有 7 位显式存储,并且两者具有相同的指数位数)。这意味着两个 float32 数字的乘积可以由九个 bfloat16 数字乘积的总和精确给出。然后,我们可以通过删除一些乘积来以准确性换取速度。“high”精度算法专门保留三个最重要的乘积,这恰好排除了所有涉及任一输入最后 8 位尾数的乘积。这意味着我们可以将输入表示为两个 bfloat16 数字的总和,而不是三个。由于 bfloat16 融合乘加 (FMA) 指令通常比 float32 指令快 10 倍以上,因此使用 bfloat16 精度执行三个乘法和 2 次加法比使用 float32 精度执行一次乘法更快。

Henry2019

http://arxiv.org/abs/1904.06376

注意

这不会更改 float32 矩阵乘法的输出数据类型,它控制如何执行矩阵乘法的内部计算。

注意

这不会更改卷积运算的精度。其他标志(如 torch.backends.cudnn.allow_tf32)可能会控制卷积运算的精度。

注意

此标志目前仅影响一种原生设备类型:CUDA。如果设置了“high”或“medium”,则在计算 float32 矩阵乘法时将使用 TensorFloat32 数据类型,这等效于设置 torch.backends.cuda.matmul.allow_tf32 = True。当设置“highest”(默认值)时,内部计算将使用 float32 数据类型,这等效于设置 torch.backends.cuda.matmul.allow_tf32 = False

参数

precision (str) – 可以设置为“highest”(默认值)、“high”或“medium”(请参见上文)。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源