深度神经网络训练传统上依赖IEEE单精度格式，但在混合精度的情况下，可以训练半精度，同时保持单精度网络的精度。这种同时使用单精度和半精度表示的技术称为混合精度技术。
混����,����合精度训练的好处通过使用Tensor Core加速数学密集型运算，如线性和卷积层。
与单精度相比，通过访问一半的字节可以加快内存受限的操作。
减少训练模型的内存需求，支持更大的模型或更小的批。
启用混合精度涉及两个步骤:在适当的情况下，将模型移植到使用半精度数据类型;并使用损失缩放来保持较小的梯度值。
TensorFlow、PyTorch和MXNet中的自动混合精度特性为深度学习研究人员和工程师提供了在NVIDIA Volta和Turing gpu上最多3倍的人工智能训练速度，而只需要添加几行代码。
使用自动混合精度的主要深度学习框架- TensorFlow
在NVIDIA NGC容器注册表中提供的TensorFlow容器中提供了自动混合精度特性。要在容器内启用此功能，只需设置一个环境变量:
export TF_ENABLE_AUTO_MIXED_PRECISION=1
另外，环境变量可以在TensorFlow Python脚本中设置:
os.environ['TF_ENABLE_AUTO_MIXED_PRECISION'] = '1'
另外还需要对优化器(Optimizer)作如下修改：
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)optimizer = tf.train.experimental.enable_mixed_precision_graph_rewrite(optimizer) # 需要添加这句话，该例子是tf1.14.0版本,不同版本可能不一样
自动混合精度在TensorFlow内部应用这两个步骤，使用一个环境变量，并在必要时进行更细粒度的控制。
- PyTorch
自动混合精度特性在GitHub上的Apex repository中可用。要启用，请将这两行代码添加到您现有的训练脚本中:
model, optimizer = amp.initialize(model, optimizer)with amp.scale_loss(loss, optimizer) as scaled_loss: scaled_loss.backward()
- MXNet
NVIDIA正在为MXNet构建自动混合精度特性。你可以在GitHub上找到正在进行的工作。要启用该功能，请在现有的训练脚本中添加以下代码行:
amp.init()amp.init_trainer(trainer)with amp.scale_loss(loss, trainer) as scaled_loss: autograd.backward(scaled_loss)