Entrenamiento de precisión mixta con Adam de 8 bits

Entrenamiento eficiente de modelos de IA con PyTorch

Dennis Lee

Data Engineer, Amazon

Optimizadores para entrenar con eficiencia

Diagrama que muestra los compromisos entre número de parámetros y precisión para AdamW, Adafactor y Adam de 8 bits.

Entrenamiento eficiente de modelos de IA con PyTorch

Optimizadores para entrenar con eficiencia

Diagrama que muestra los compromisos entre número de parámetros y precisión para AdamW, Adafactor y Adam de 8 bits.

Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo funciona Adam de 8 bits?

Diagrama con los pasos de Adam de 8 bits.

  • Guarda parámetros en FP8; optimiza en FP32
Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo funciona Adam de 8 bits?

Diagrama con los pasos de Adam de 8 bits.

  • Guarda parámetros en FP8; optimiza en FP32
Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo funciona Adam de 8 bits?

Diagrama con los pasos de Adam de 8 bits.

  • Guarda parámetros en FP8; optimiza en FP32
Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo funciona Adam de 8 bits?

Diagrama con los pasos de Adam de 8 bits.

  • Guarda parámetros en FP8; optimiza en FP32
  • EMA: media móvil exponencial
  • Calcula la EMA de gradientes y gradientes al cuadrado
Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo funciona Adam de 8 bits?

Diagrama con los pasos de Adam de 8 bits.

  • Guarda parámetros en FP8; optimiza en FP32
  • EMA: media móvil exponencial
  • Calcula la EMA de gradientes y gradientes al cuadrado
Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo ahorra memoria Adam de 8 bits?

Diagrama que muestra gradientes de parámetros, EMA de gradientes y EMA de gradientes al cuadrado.

Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo ahorra memoria Adam de 8 bits?

Diagrama que muestra gradientes de parámetros, EMA de gradientes y EMA de gradientes al cuadrado.

Entrenamiento eficiente de modelos de IA con PyTorch

¿Cómo ahorra memoria Adam de 8 bits?

Diagrama que muestra gradientes de parámetros, EMA de gradientes y EMA de gradientes al cuadrado.

  • Cada cuadrado es un parámetro y cada color, un estado
  • Memoria por parámetro = 2 bytes = 1 byte por estado × 2 estados
  • Memoria total = Memoria por parámetro (2 bytes) × Número de parámetros
Entrenamiento eficiente de modelos de IA con PyTorch

Estimar el uso de memoria de Adam de 8 bits

model = AutoModelForSequenceClassification.from_pretrained(
    "distilbert-base-cased", return_dict=True)
num_parameters = sum(p.numel() for p in model.parameters())
print(f"Number of model parameters: {num_parameters:,}")

Number of model parameters: 65,783,042

estimated_memory = num_parameters * 2 / (1024 ** 2)
print(f"Estimated memory usage of 8-bit Adam: {estimated_memory:.0f} MB")

Estimated memory usage of 8-bit Adam: 125 MB
Entrenamiento eficiente de modelos de IA con PyTorch

Configura el optimizador Adam de 8 bits

import bitsandbytes as bnb
from torch import nn
from transformers.trainer_pt_utils import get_parameter_names


args = TrainingArguments(output_dir="./results")

decay_parameters = get_parameter_names(model, [nn.LayerNorm])

decay_parameters = [name for name in decay_parameters if "bias" not in name]
  • El weight decay evita el sobreajuste
  • decay_parameters: parámetros a los que aplicar weight decay
  • get_parameter_names: devuelve nombres; ignora capas nn.LayerNorm
  • Quita parámetros bias de decay_parameters
  • No apliques weight decay a normalización ni a biases
Entrenamiento eficiente de modelos de IA con PyTorch

Configura el optimizador Adam de 8 bits

optimizer_grouped_parameters = [{"params": [p for n, p in model.named_parameters() 
                                            if n in decay_parameters],
                                 "weight_decay": args.weight_decay},

                                {"params": [p for n, p in model.named_parameters() 
                                            if n not in decay_parameters],
                                 "weight_decay": 0.0}]

adam_bnb_optim = bnb.optim.Adam8bit(optimizer_grouped_parameters,

                                    betas=(args.adam_beta1, args.adam_beta2),

                                    eps=args.adam_epsilon,

                                    lr=args.learning_rate)
  • optimizer_grouped_parameters: Un grupo con weight decay; otro sin él
  • beta1, beta2: tasas de decaimiento del 1.er y 2.º momento; más alto = más estable, entrenamiento más lento
Entrenamiento eficiente de modelos de IA con PyTorch

Implementa Adam de 8 bits con Trainer

trainer = Trainer(model=model,
                  args=training_args,
                  train_dataset=train_dataset,
                  eval_dataset=validation_dataset,
                  optimizers=(adam_bnb_optim, None),
                  compute_metrics=compute_metrics)

trainer.train()

{'epoch': 1.0, 'eval_loss': 0.63, 'eval_accuracy': 0.67, 'eval_f1': 0.62}
{'epoch': 2.0, 'eval_loss': 0.61, 'eval_accuracy': 0.71, 'eval_f1': 0.66}
Entrenamiento eficiente de modelos de IA con PyTorch

Implementa Adam de 8 bits con Accelerator

model, adam_bnb_optim, train_dataloader, lr_scheduler = \
    accelerator.prepare(model, adam_bnb_optim, train_dataloader, lr_scheduler)


for batch in train_dataloader:
    inputs, targets = batch["input_ids"], batch["labels"]
    outputs = model(inputs, labels=targets)
    loss = outputs.loss
    accelerator.backward(loss)
    adam_bnb_optim.step()
    lr_scheduler.step()
    adam_bnb_optim.zero_grad()
    print(f"Loss = {loss}")

Loss = 0.75
Entrenamiento eficiente de modelos de IA con PyTorch

Calcula el uso de memoria de Adam de 8 bits

total_size_megabytes, total_num_elements = \
    compute_optimizer_size(trainer.optimizer.state.values())
print(f"Number of 8-bit Adam parameters: {total_num_elements:,}")
print(f"8-bit Adam size: {total_size_megabytes:.0f} MB")

Number of 8-bit Adam parameters: 131,566,188
8-bit Adam size: 128 MB
  • Compáralo con AdamW: Adam de 8 bits usa 1/4 de la memoria
Number of AdamW parameters: 131,566,188
AdamW size: 502 MB
Entrenamiento eficiente de modelos de IA con PyTorch

¡Vamos a practicar!

Entrenamiento eficiente de modelos de IA con PyTorch

Preparing Video For Download...