Pelatihan presisi campuran dengan Adam 8-bit

Pelatihan Model AI Efisien dengan PyTorch

Dennis Lee

Data Engineer, Amazon

Optimizer untuk efisiensi pelatihan

Diagram yang menunjukkan pertukaran antara jumlah parameter dan presisi untuk AdamW, Adafactor, dan Adam 8-bit.

Pelatihan Model AI Efisien dengan PyTorch

Optimizer untuk efisiensi pelatihan

Diagram yang menunjukkan pertukaran antara jumlah parameter dan presisi untuk AdamW, Adafactor, dan Adam 8-bit.

Pelatihan Model AI Efisien dengan PyTorch

Bagaimana cara kerja Adam 8-bit?

Diagram yang menampilkan langkah-langkah Adam 8-bit.

  • Simpan parameter dalam FP8; optimasi di FP32
Pelatihan Model AI Efisien dengan PyTorch

Bagaimana cara kerja Adam 8-bit?

Diagram yang menampilkan langkah-langkah Adam 8-bit.

  • Simpan parameter dalam FP8; optimasi di FP32
Pelatihan Model AI Efisien dengan PyTorch

Bagaimana cara kerja Adam 8-bit?

Diagram yang menampilkan langkah-langkah Adam 8-bit.

  • Simpan parameter dalam FP8; optimasi di FP32
Pelatihan Model AI Efisien dengan PyTorch

Bagaimana cara kerja Adam 8-bit?

Diagram yang menampilkan langkah-langkah Adam 8-bit.

  • Simpan parameter dalam FP8; optimasi di FP32
  • EMA: exponential moving average
  • Hitung EMA dari gradien dan gradien kuadrat
Pelatihan Model AI Efisien dengan PyTorch

Bagaimana cara kerja Adam 8-bit?

Diagram yang menampilkan langkah-langkah Adam 8-bit.

  • Simpan parameter dalam FP8; optimasi di FP32
  • EMA: exponential moving average
  • Hitung EMA dari gradien dan gradien kuadrat
Pelatihan Model AI Efisien dengan PyTorch

Bagaimana Adam 8-bit menghemat memori?

Diagram yang menggambarkan gradien parameter, EMA gradien, dan EMA gradien kuadrat.

Pelatihan Model AI Efisien dengan PyTorch

Bagaimana Adam 8-bit menghemat memori?

Diagram yang menggambarkan gradien parameter, EMA gradien, dan EMA gradien kuadrat.

Pelatihan Model AI Efisien dengan PyTorch

Bagaimana Adam 8-bit menghemat memori?

Diagram yang menggambarkan gradien parameter, EMA gradien, dan EMA gradien kuadrat.

  • Tiap kotak adalah parameter, tiap warna adalah state
  • Memori per parameter = 2 byte = 1 byte per state * 2 state
  • Total memori = Memori per parameter (2 byte) * Jumlah parameter
Pelatihan Model AI Efisien dengan PyTorch

Perkirakan penggunaan memori Adam 8-bit

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
Pelatihan Model AI Efisien dengan PyTorch

Menyiapkan optimizer Adam 8-bit

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 mencegah overfitting
  • decay_parameters: parameter yang dikenai weight decay
  • get_parameter_names: kembalikan nama parameter; abaikan layer nn.LayerNorm
  • Hapus parameter bias dari decay_parameters
  • Jangan terapkan weight decay pada layer normalisasi dan bias
Pelatihan Model AI Efisien dengan PyTorch

Menyiapkan optimizer Adam 8-bit

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: Satu grup memakai weight decay; satu lagi tidak
  • beta1, beta2: Laju peluruhan momen 1 dan 2; lebih tinggi = stabil, latih lebih lambat
Pelatihan Model AI Efisien dengan PyTorch

Implementasi Adam 8-bit dengan 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}
Pelatihan Model AI Efisien dengan PyTorch

Implementasi Adam 8-bit dengan 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
Pelatihan Model AI Efisien dengan PyTorch

Hitung penggunaan memori Adam 8-bit

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
  • Bandingkan dengan AdamW: Adam 8-bit memakai 1/4 memori
Number of AdamW parameters: 131,566,188
AdamW size: 502 MB
Pelatihan Model AI Efisien dengan PyTorch

Ayo berlatih!

Pelatihan Model AI Efisien dengan PyTorch

Preparing Video For Download...