8-bit Adamを使った混合精度トレーニング

PyTorch による効率的な AI モデルトレーニング

Dennis Lee

Data Engineer, Amazon

トレーニング効率のための最適化アルゴリズム

AdamW、Adafactor、8-bit Adamにおけるパラメータ数と精度のトレードオフを示す図。

トレーニング効率のための最適化アルゴリズム

AdamW、Adafactor、8-bit Adamにおけるパラメータ数と精度のトレードオフを示す図。

8-bit Adamの仕組み

8-bit Adamの手順を示す図。

パラメータをFP8で保存し、FP32で最適化

8-bit Adamの仕組み

8-bit Adamの手順を示す図。

パラメータをFP8で保存し、FP32で最適化

8-bit Adamの仕組み

8-bit Adamの手順を示す図。

パラメータをFP8で保存し、FP32で最適化

8-bit Adamの仕組み

8-bit Adamの手順を示す図。

パラメータをFP8で保存し、FP32で最適化
EMA：指数移動平均
勾配と勾配の二乗のEMAを計算

8-bit Adamの仕組み

8-bit Adamの手順を示す図。

パラメータをFP8で保存し、FP32で最適化
EMA：指数移動平均
勾配と勾配の二乗のEMAを計算

8-bit Adamのメモリ削減の仕組み

パラメータ勾配、勾配のEMA、勾配の二乗のEMAを示す図。

8-bit Adamのメモリ削減の仕組み

パラメータ勾配、勾配のEMA、勾配の二乗のEMAを示す図。

8-bit Adamのメモリ削減の仕組み

パラメータ勾配、勾配のEMA、勾配の二乗のEMAを示す図。

各マスはパラメータ、各色は状態を表す
パラメータあたりのメモリ = 2バイト = 1バイト/状態 × 2状態
総メモリ = パラメータあたりのメモリ（2バイト）× パラメータ数

8-bit Adamのメモリ使用量の推定

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最適化器の設定

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]

重み減衰は過学習を防ぐ
decay_parameters：重み減衰を適用するパラメータを指定
get_parameter_names：パラメータ名を返す。nn.LayerNorm層は除外
decay_parametersからbiasパラメータを除外
正規化層とバイアスには重み減衰を適用しない

8-bit Adam最適化器の設定

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：一方のグループは重み減衰を適用し、他方は適用しない
beta1、beta2：1次・2次モーメントの減衰率。高いほど安定するがトレーニングが遅くなる

TrainerでのAdam 8-bitの実装

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でのAdam 8-bitの実装

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のメモリ使用量の計算

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との比較：8-bit Adamはメモリ使用量が1/4

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

では、練習しましょう！

PyTorch による効率的な AI モデルトレーニング