Speichereffizientes Training mit Adafactor

Effizientes KI-Modelltraining mit PyTorch

Dennis Lee

Data Engineer, Amazon

Optimierer für effizientes Training

Icons für AdamW, Adafactor und 8-bit Adam.

Trade-offs bei Optimierern

Diagramm zu Trade-offs zwischen Parameteranzahl und Präzision für AdamW, Adafactor und 8-bit Adam.

Wie funktioniert Adafactor?

Diagramm der Adafactor-Schritte.

Wie funktioniert Adafactor?

Diagramm der Adafactor-Schritte.

Wie funktioniert Adafactor?

Diagramm der Adafactor-Schritte.

EMA: exponentieller gleitender Mittelwert
Zweiter Moment: EMA der quadrierten Gradienten

Wie funktioniert Adafactor?

Diagramm der Adafactor-Schritte.

EMA: exponentieller gleitender Mittelwert
Zweiter Moment: EMA der quadrierten Gradienten

Wie spart Adafactor Speicher?

Diagramm mit Matrix des zweiten Moments, Spaltensumme und Zeilensumme.

Spart Speicher: Matrix des zweiten Moments wird nicht gespeichert

Wie spart Adafactor Speicher?

Diagramm mit Matrix des zweiten Moments, Spaltensumme und Zeilensumme.

Spart Speicher: Matrix des zweiten Moments wird nicht gespeichert
Stattdessen Spalten- und Zeilensummen der Matrix speichern

Wie spart Adafactor Speicher?

Diagramm mit Matrix des zweiten Moments, Spaltensumme und Zeilensumme.

Spart Speicher: Matrix des zweiten Moments wird nicht gespeichert
Stattdessen Spalten- und Zeilensummen der Matrix speichern

Wie spart Adafactor Speicher?

Diagramm mit Matrix des zweiten Moments, Spaltensumme und Zeilensumme.

Spart Speicher: Matrix des zweiten Moments wird nicht gespeichert
Stattdessen Spalten- und Zeilensummen der Matrix speichern
Volle Matrix schätzen durch Produkt von Spalten- und Zeilensumme

Implementierung mit Trainer und Accelerator

Diagramm: Benutzerfreundlichkeit vs. Anpassbarkeit für Accelerator und Trainer.

Adafactor mit Trainer implementieren

training_args = TrainingArguments(output_dir="./results",
                                  evaluation_strategy="epoch",

                                  optim="adafactor")

trainer = Trainer(model=model,
                  args=training_args,
                  train_dataset=train_dataset,
                  eval_dataset=validation_dataset,
                  compute_metrics=compute_metrics)
trainer.train()

{'epoch': 1.0, 'eval_accuracy': 0.6, 'eval_f1': 0.5}

Adafactor mit Accelerator implementieren

# Assumes PyTorch 2.5 or higher
from torch.optim import Adafactor

optimizer = Adafactor(params=model.parameters(), lr=lr)


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

Loss = 0.71

Optimizer-Status inspizieren

Greife über den state auf den optimizer zu

optimizer_state = optimizer.state.values()

Oder über trainer auf den optimizer zugreifen

optimizer_state = trainer.optimizer.state.values()

print(optimizer_state)

dict_values([{'step': tensor(3.),
              'exp_avg_sq_row': tensor([1.0000e-30, 1.0000e-30, 1.0000e-30,  ...]), 
              'exp_avg_sq_col': tensor([4.6147e-11, 5.5115e-11, 1.6338e-10, ...])}, ...])

Speichernutzung von Adafactor berechnen

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

Number of Adafactor parameters: 178,712
Adafactor size: 1 MB

Vergleich mit AdamW: Adafactor braucht viel weniger Speicher!

Number of AdamW parameters: 131,566,188
AdamW size: 502 MB

Lass uns üben!

Effizientes KI-Modelltraining mit PyTorch