8 bit Adam ile karma hassasiyetli eğitim

PyTorch ile Verimli AI Model Eğitimi

Dennis Lee

Data Engineer, Amazon

Eğitim verimliliği için optimize ediciler

AdamW, Adafactor ve 8 bit Adam için parametre sayısı ile hassasiyet arasındaki ödünleşimleri gösteren diyagram.

Eğitim verimliliği için optimize ediciler

AdamW, Adafactor ve 8 bit Adam için parametre sayısı ile hassasiyet arasındaki ödünleşimleri gösteren diyagram.

8 bit Adam nasıl çalışır?

8 bit Adam adımlarını gösteren diyagram.

Parametreleri FP8'de saklayın; FP32'de optimize edin

8 bit Adam nasıl çalışır?

8 bit Adam adımlarını gösteren diyagram.

Parametreleri FP8'de saklayın; FP32'de optimize edin

8 bit Adam nasıl çalışır?

8 bit Adam adımlarını gösteren diyagram.

Parametreleri FP8'de saklayın; FP32'de optimize edin

8 bit Adam nasıl çalışır?

8 bit Adam adımlarını gösteren diyagram.

Parametreleri FP8'de saklayın; FP32'de optimize edin
EMA: üssel hareketli ortalama
Gradyanların ve karelerinin EMA'sını hesaplayın

8 bit Adam nasıl çalışır?

8 bit Adam adımlarını gösteren diyagram.

Parametreleri FP8'de saklayın; FP32'de optimize edin
EMA: üssel hareketli ortalama
Gradyanların ve karelerinin EMA'sını hesaplayın

8 bit Adam belleği nasıl korur?

Parametre gradyanları, gradyanların EMA'sı ve karelerinin EMA'sını gösteren diyagram.

8 bit Adam belleği nasıl korur?

Parametre gradyanları, gradyanların EMA'sı ve karelerinin EMA'sını gösteren diyagram.

8 bit Adam belleği nasıl korur?

Parametre gradyanları, gradyanların EMA'sı ve karelerinin EMA'sını gösteren diyagram.

Her kare bir parametre, her renk bir durumdur
Parametre başına bellek = 2 bayt = durum başına 1 bayt * 2 durum
Toplam bellek = Parametre başına bellek (2 bayt) * Parametre sayısı

8 bit Adam bellek kullanımını tahmin edin

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 optimizer'ını ayarlayın

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]

Ağırlık çürümesi overfitting'i önler
decay_parameters: ağırlık çürütmesi uygulanacak parametreler
get_parameter_names: parametre adlarını döndürür; nn.LayerNorm katmanlarını yok sayar
bias parametrelerini decay_parameters listesinden çıkarın
Normalizasyon katmanlarına ve bias'lara ağırlık çürütmesi uygulamayın

8 bit Adam optimizer'ını ayarlayın

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: Bir grup ağırlık çürütmesi uygular; diğeri uygulamaz
beta1, beta2: 1. ve 2. momentlerin çürüme oranları; yüksek = daha kararlı, daha yavaş eğitim

Trainer ile 8 bit Adam'ı uygulayın

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}

Accelerator ile 8 bit Adam'ı uygulayın

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

8 bit Adam bellek kullanımını hesaplayın

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

AdamW ile karşılaştırın: 8 bit Adam belleğin 1/4'ünü kullanır

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

Hadi pratik yapalım!

PyTorch ile Verimli AI Model Eğitimi

Preparing Video For Download...