Mixed-precision training met 8-bit Adam

Efficiënt AI-modellen trainen met PyTorch

Dennis Lee

Data Engineer, Amazon

Optimizers voor trainingsefficiëntie

Diagram met de afweging tussen aantal parameters en precisie voor AdamW, Adafactor en 8-bit Adam.

Optimizers voor trainingsefficiëntie

Diagram met de afweging tussen aantal parameters en precisie voor AdamW, Adafactor en 8-bit Adam.

Hoe werkt 8-bit Adam?

Diagram met de stappen van 8-bit Adam.

Parameters in FP8 opslaan; optimaliseren in FP32

Hoe werkt 8-bit Adam?

Diagram met de stappen van 8-bit Adam.

Parameters in FP8 opslaan; optimaliseren in FP32

Hoe werkt 8-bit Adam?

Diagram met de stappen van 8-bit Adam.

Parameters in FP8 opslaan; optimaliseren in FP32

Hoe werkt 8-bit Adam?

Diagram met de stappen van 8-bit Adam.

Parameters in FP8 opslaan; optimaliseren in FP32
EMA: exponentieel voortschrijdend gemiddelde
Bereken de EMA van de gradiënten en van de kwadratische gradiënten

Hoe werkt 8-bit Adam?

Diagram met de stappen van 8-bit Adam.

Parameters in FP8 opslaan; optimaliseren in FP32
EMA: exponentieel voortschrijdend gemiddelde
Bereken de EMA van de gradiënten en van de kwadratische gradiënten

Hoe bespaart 8-bit Adam geheugen?

Diagram met parametergradiënten, EMA van gradiënten en EMA van kwadratische gradiënten.

Hoe bespaart 8-bit Adam geheugen?

Diagram met parametergradiënten, EMA van gradiënten en EMA van kwadratische gradiënten.

Hoe bespaart 8-bit Adam geheugen?

Diagram met parametergradiënten, EMA van gradiënten en EMA van kwadratische gradiënten.

Elk vierkant is een parameter; elke kleur is een staat
Geheugen per parameter = 2 bytes = 1 byte per staat × 2 staten
Totaal geheugen = Geheugen per parameter (2 bytes) × Aantal parameters

Geheugengebruik van 8-bit Adam schatten

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

De 8-bit Adam-optimizer instellen

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 voorkomt overfitting
decay_parameters: parameters voor weight decay opgeven
get_parameter_names: parameternamen ophalen; nn.LayerNorm negeren
bias-parameters uit decay_parameters verwijderen
Geen weight decay op normalisatielagen en biases toepassen

De 8-bit Adam-optimizer instellen

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: één groep met weight decay; één zonder
beta1, beta2: verval van 1e en 2e moment; hoger = stabieler, trager trainen

8-bit Adam implementeren met 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}

8-bit Adam implementeren met 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

Geheugengebruik van 8-bit Adam berekenen

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

Vergelijk met AdamW: 8-bit Adam gebruikt 1/4 van het geheugen

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

Laten we oefenen!

Efficiënt AI-modellen trainen met PyTorch

Preparing Video For Download...