Addestramento a basso uso di memoria con Adafactor

Efficient AI Model Training with PyTorch

Dennis Lee

Data Engineer, Amazon

Ottimizzatori per un training efficiente

Icone che rappresentano AdamW, Adafactor e Adam a 8 bit.

Compromessi degli ottimizzatori

Diagramma che mostra i compromessi tra numero di parametri e precisione per AdamW, Adafactor e Adam a 8 bit.

Come funziona Adafactor?

Diagramma che mostra i passaggi di Adafactor.

Come funziona Adafactor?

Diagramma che mostra i passaggi di Adafactor.

Come funziona Adafactor?

Diagramma che mostra i passaggi di Adafactor.

EMA: media mobile esponenziale
Secondo momento: EMA dei gradienti al quadrato

Come funziona Adafactor?

Diagramma che mostra i passaggi di Adafactor.

EMA: media mobile esponenziale
Secondo momento: EMA dei gradienti al quadrato

Come Adafactor risparmia memoria?

Diagramma che mostra la matrice del secondo momento, somma per colonna e per riga.

Risparmia memoria evitando di salvare la matrice del secondo momento

Come Adafactor risparmia memoria?

Diagramma che mostra la matrice del secondo momento, somma per colonna e per riga.

Risparmia memoria evitando di salvare la matrice del secondo momento
Invece salva le somme per colonna e per riga della matrice

Come Adafactor risparmia memoria?

Diagramma che mostra la matrice del secondo momento, somma per colonna e per riga.

Risparmia memoria evitando di salvare la matrice del secondo momento
Invece salva le somme per colonna e per riga della matrice

Come Adafactor risparmia memoria?

Diagramma che mostra la matrice del secondo momento, somma per colonna e per riga.

Risparmia memoria evitando di salvare la matrice del secondo momento
Invece salva le somme per colonna e per riga della matrice
Stima la matrice completa moltiplicando somma per colonna e per riga

Implementazione con Trainer e Accelerator

Grafico che confronta facilità d’uso vs. possibilità di personalizzazione per Accelerator e Trainer.

Implementa Adafactor con Trainer

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}

Implementa Adafactor con Accelerator

# 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

Ispeziona lo stato dell’optimizer

Accedi allo state dell’optimizer

optimizer_state = optimizer.state.values()

Oppure accedi all’optimizer tramite trainer

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, ...])}, ...])

Calcola l’uso di memoria di Adafactor

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

Confronto con AdamW: Adafactor usa molta meno memoria!

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

Passiamo alla pratica !

Efficient AI Model Training with PyTorch