Mixed-Precision-Training mit 8-Bit Adam

Effizientes KI-Modelltraining mit PyTorch

Dennis Lee

Data Engineer, Amazon

Optimierer für Trainingseffizienz

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

Optimierer für Trainingseffizienz

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

Wie funktioniert 8-Bit Adam?

Diagramm der Schritte von 8-Bit Adam.

Parameter in FP8 speichern; in FP32 optimieren

Wie funktioniert 8-Bit Adam?

Diagramm der Schritte von 8-Bit Adam.

Parameter in FP8 speichern; in FP32 optimieren

Wie funktioniert 8-Bit Adam?

Diagramm der Schritte von 8-Bit Adam.

Parameter in FP8 speichern; in FP32 optimieren

Wie funktioniert 8-Bit Adam?

Diagramm der Schritte von 8-Bit Adam.

Parameter in FP8 speichern; in FP32 optimieren
EMA: exponentieller gleitender Durchschnitt
EMA der Gradienten und quadrierten Gradienten berechnen

Wie funktioniert 8-Bit Adam?

Diagramm der Schritte von 8-Bit Adam.

Parameter in FP8 speichern; in FP32 optimieren
EMA: exponentieller gleitender Durchschnitt
EMA der Gradienten und quadrierten Gradienten berechnen

Wie spart 8-Bit Adam Speicher?

Diagramm mit Parametergradienten, EMA der Gradienten und EMA der quadrierten Gradienten.

Wie spart 8-Bit Adam Speicher?

Diagramm mit Parametergradienten, EMA der Gradienten und EMA der quadrierten Gradienten.

Wie spart 8-Bit Adam Speicher?

Diagramm mit Parametergradienten, EMA der Gradienten und EMA der quadrierten Gradienten.

Jedes Quadrat ist ein Parameter, jede Farbe ein Zustand
Speicher pro Parameter = 2 Byte = 1 Byte pro Zustand × 2 Zustände
Gesamtspeicher = Speicher/Parameter (2 Byte) × Anzahl Parameter

Speichernutzung von 8-Bit Adam schätzen

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

8-Bit-Adam-Optimierer einrichten

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]

Weight Decay verhindert Overfitting
decay_parameters: Parameter für Weight Decay festlegen
get_parameter_names: Parameternamen; nn.LayerNorm-Layer ignorieren
bias-Parameter aus decay_parameters entfernen
Kein Weight Decay für Normalisierungslayer und Biases

8-Bit-Adam-Optimierer einrichten

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: Eine Gruppe mit Weight Decay, eine ohne
beta1, beta2: Abklingraten von 1. und 2. Moment; höher = stabiler, langsamer

8-Bit Adam mit Trainer implementieren

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}

8-Bit Adam mit Accelerator implementieren

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

Speichernutzung von 8-Bit Adam berechnen

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

Vergleich mit AdamW: 8-Bit Adam braucht 1/4 des Speichers

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

Lass uns üben!

Effizientes KI-Modelltraining mit PyTorch

Preparing Video For Download...