Deep Learning Academy · 강의

autocast와 GradScaler를 사용하는 혼합 정밀도

큰 폭의 속도 향상을 얻는 반정밀도 연산을 알아봅니다

레슨 1/413개 단계

autocast와 GradScaler를 사용하는 혼합 정밀도은(는) CoddyKit의 무료 Deep Learning Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

What Mixed Precision Means

By default PyTorch does math in 32-bit floats. Mixed precision runs many operations in 16-bit instead, which is faster and uses far less memory.

Why Half Precision Is Faster

Modern GPUs have special tensor cores tuned for 16-bit math. Feeding them half-precision data can speed up training two or three times with little accuracy loss.

The Catch With 16-Bit

Half precision has a tiny range, so very small gradient values can round down to zero. That silent underflow stalls learning if you do nothing about it.

Meet autocast

Wrap your forward pass in autocast and PyTorch picks a safe precision per operation automatically. You never cast tensors by hand.

with torch.autocast(device_type='cuda'):
    out = model(x)

What autocast Wraps

Put only the forward pass and loss inside autocast. The backward call stays outside the block, where PyTorch handles precision for you.

with torch.autocast(device_type='cuda'):
    out = model(x)
    loss = loss_fn(out, y)

Meet GradScaler

A GradScaler fixes underflow by multiplying the loss by a large factor before backward, so small gradients stay big enough to survive in 16-bit.

scaler = torch.cuda.amp.GradScaler()

Scale the Loss

Instead of loss.backward(), call scaler.scale(loss).backward(). The scaler inflates the loss first so the resulting gradients do not vanish.

scaler.scale(loss).backward()

Step Through the Scaler

Run the optimizer with scaler.step, which quietly unscales the gradients back to normal size before applying the update.

scaler.step(optimizer)

Update the Scale Factor

Finish each step with scaler.update(). It grows the scale when things are stable and shrinks it if it ever spots an overflow.

scaler.update()

The Full AMP Step

Together these calls form one clean AMP iteration: zero grads, autocast forward, scaled backward, scaler step, then update.

optimizer.zero_grad()
with torch.autocast(device_type='cuda'):
    loss = loss_fn(model(x), y)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

When To Reach For It

Mixed precision shines on a recent NVIDIA GPU with large batches. On a plain CPU it gives little benefit, so save it for real training runs.

Quick Check

You enabled autocast but tiny gradients keep vanishing. What tool fixes that?

인터랙티브 레슨에서 답해보세요

Recap

Wrap the forward in autocast for fast 16-bit math, then use a GradScaler to scale, step, and update so tiny gradients survive. ⚡

무료로 시작

AI 튜터와 함께 Python을(를) 배우세요 — 무료

브라우저에서 실제 코드를 작성하고 실행하며, 24/7 AI 튜터로부터 즉각적인 도움을 받고, 웹이나 앱에서 중단한 부분부터 계속 학습하세요.

코스: 30
레슨: 120

무료로 학습 시작 전체 코스 보기

자주 묻는 질문

“autocast와 GradScaler를 사용하는 혼합 정밀도” 강의는 무료인가요?

네 — “autocast와 GradScaler를 사용하는 혼합 정밀도” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“autocast와 GradScaler를 사용하는 혼합 정밀도”에서 뭘 배우나요?

큰 폭의 속도 향상을 얻는 반정밀도 연산을 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“autocast와 GradScaler를 사용하는 혼합 정밀도” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Deep Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Deep Learning Academy(으)로 돌아가기