Adept | Машинное обучение | Открытое ПО

Привет! Я закончил реализацию и проверку всей функциональности которую планировал для публикации следующего релиза Adpet! 🎉 Помимо основных задач, провел важное кросс-платформенное тестирование: ✅ Успешно протестировал распределённое обучение (DDP) на связке из двух RTX 2080Ti. ✅ Проверил сборку и работу на Android с GPU Adreno 650 и Snapdragon 870. 💡 Также в планах на новый релиз: помимо стандартных Python wheel, мы подготовим RPM-пакет для Alt Linux. 📝 Что нового с 6 сентября: 🎮 GPU / Vulkan Backend • Перешли на сегментированный аллокатор памяти для GPU устройств (`vksegalloc`) вместо выделения буферов на каждый тензор. Добавили отдельные абстракции staging-буферов. • Интегрировали это в Vulkan device/manager, GPU API и Python-биндинги. • Реализовали graceful fallback для устройств без поддержки опциональных расширений (на уровнях device, shader и submit). 🎯 YOLO v11 и распределённое обучение • Добавили опцию выбора Device-ID в Python CLI и C++ примере для инференса YOLO. • Реализовали поддержку распределённого обучения (DDP) для YOLO v11, включая корректировки функций потерь под распределённые вычисления. 📦 Сборка и пакетирование • OpenMPI runtime теперь бандлится в wheel, добавлен лаунчер adeptrun. • Настроили пайплайн сборки manylinux wheel. • ⚠️ Важно: Минимальная требуемая версия Python повышена с 3.11 до 3.12. • Починили зависимости MPI и добавили возможность сборки под Android с помощью clang. 🧹 Очистка и адаптация API • Удалили легаси и неструктурированные примеры. • Адаптировали актуальные примеры (LeNet, MLP, ResNet, импорт ONNX) под свежее API. В ближайшее время всё залью в основную ветку, сделаю тег 0.2.0 и опубликую Python пакет для x86_64 в GitVerse 🛠 #Adpet #MachineLearning #Vulkan #YOLOv11 #DistributedTraining #AltLinux #Android #OpenSource #C++ #Python #GPU

Изменил подход к управлению памятью, что снизило потребление в 2 раза. А это в свою очередь позволило тренировать на большем разрешении и увеличить размер пакета. На изображениях результат 24 часов тренировки. Утечек памяти не было.

Привет! Последнюю неделю я продолжаю занимался реализацией обучениея модели YOLOv11. Основная проблема - обучение упорно не сходилось, после нескольких эпох лосс начинал катастрофически разваливаться. Потратил немало времени на поиски причины, пока не вскрылись две большие проблемы: критический баг в ядре фреймворка и классическая боль с датасетом. 🚨 Главный фикс: баг с накоплением градиентов Это и было основной причиной расхождения. Оказалось, что backward passes для conv2d, conv_transpose2d и batchnorm2d писали напрямую в input.grad(). В результате градиенты просто перезаписывались, вместо того чтобы суммироваться с разных путей(ребер вычислительного графа) для одного входного тензора. Решение: Заменил прямую запись на add_grad. Теперь вклад от всех операций корректно суммируется. Обучение наконец-то поехало! 📊 Борьба с несбалансированным MS COCO и YOLOv11 туллинг Вторая головная боль — сам датасет MS COCO. В нём сильный перекос в сторону класса 0 (person). Чтобы нивелировать этот дисбаланс и упростить жизнь при обучении, я добавил в туллинг YOLOv11: • Class-weighted loss: взвешивание по классам для классификационного BCE. • Balanced subset builder: утилита для создания сбалансированных сабсетов COCO. • CSV logging: логирование лосса по батчам с поддержкой resume/append. • Loss-curve viewer: интерактивный вьювер для отрисовки этих CSV-логов - это позволило лучше наблюдать за динамикой обучения. 🛠 Другие важные фиксы в ядре Adept: Vulkan push-constant packing. Буфер shader-constants паковался без std430 alignment padding. Из-за этого 64-битные скаляры могли попадать на невалидные оффсеты. Выровнял по спецификации. Misc: В Python-биндингах тензоров теперь корректно экспортируются bool значения в protocols buffer интерфейсе. 🔮 Что дальше: оптимизация памяти Следующая большая задача — потребление памяти. Сейчас Adept расходует почти в 4 раза больше памяти GPU по сравнению с зеркальной реализацией на PyTorch. Причина кроется в неоптимальной политике memory pool. При обучении YOLO генерируется огромное количество тензоров переменной длины — из-за разного количества anchors на каждом изображении. Простой пул аллокаторов приходится сильно раздувать, чтобы сократить число аллокаций, и это убивает эффективность по памяти. Нужно переработывать стратегию пула — это в планах на ближайшее время. 💡 Вывод Решение реальной комплексной задачи вроде обучения YOLOv11 вскрыло массу проблем, которые просто невозможно было обнаружить на отдельных юнит-тестах и простых моделях. Баг с перезаписью градиентов, проблемы с non-contiguous тензорами, перерасход памяти — всё это всплыло только когда пайплайн был собран целиком и поставлен под нагрузку. Хорошее напоминание о том, что integration testing и реальные нагрузки - незаменимы. #Adept #YOLOv11 #DeepLearning #ComputerVision #MachineLearning #Vulkan #C++ #Python #MLOps #ModelTraining

Тренировка перестала расходится после первых эпох и есть заметная тенденция к сходимости.