Paměťově efektivní trénink s Adafactorem

Efficient AI Model Training with PyTorch

Dennis Lee

Data Engineer, Amazon

Optimalizátory pro efektivní trénink

Ikony reprezentující AdamW, Adafactor a 8-bit Adam.

Kompromisy optimalizátorů

Diagram znázorňující kompromisy mezi počtem parametrů a přesností pro AdamW, Adafactor a 8-bit Adam.

Jak funguje Adafactor?

Diagram znázorňující kroky algoritmu Adafactor.

Jak funguje Adafactor?

Diagram znázorňující kroky algoritmu Adafactor.

Jak funguje Adafactor?

Diagram znázorňující kroky algoritmu Adafactor.

EMA: exponenciální klouzavý průměr
Druhý moment: EMA kvadrátů gradientů

Jak funguje Adafactor?

Diagram znázorňující kroky algoritmu Adafactor.

EMA: exponenciální klouzavý průměr
Druhý moment: EMA kvadrátů gradientů

Jak Adafactor šetří paměť?

Diagram znázorňující matici druhého momentu, součet sloupců a součet řádků.

Úspora paměti: matice druhého momentu se neukládá

Jak Adafactor šetří paměť?

Diagram znázorňující matici druhého momentu, součet sloupců a součet řádků.

Úspora paměti: matice druhého momentu se neukládá
Místo toho se ukládají součty sloupců a řádků matice

Jak Adafactor šetří paměť?

Diagram znázorňující matici druhého momentu, součet sloupců a součet řádků.

Úspora paměti: matice druhého momentu se neukládá
Místo toho se ukládají součty sloupců a řádků matice

Jak Adafactor šetří paměť?

Diagram znázorňující matici druhého momentu, součet sloupců a součet řádků.

Úspora paměti: matice druhého momentu se neukládá
Místo toho se ukládají součty sloupců a řádků matice
Celá matice se odhadne jejich součinem

Implementace s Trainerem a Acceleratorem

Graf porovnávající snadnost použití a možnosti přizpůsobení pro Accelerator a Trainer.

Implementace Adafactoru s Trainerem

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}

Implementace Adafactoru s Acceleratorem

# 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

Inspekce stavu optimalizátoru

Přístup k optimizer přes jeho state

optimizer_state = optimizer.state.values()

Nebo přístup k optimizer přes 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, ...])}, ...])

Výpočet využití paměti Adafactoru

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

Srovnání s AdamW: Adafactor spotřebuje mnohem méně paměti!

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

Lass uns üben!

Efficient AI Model Training with PyTorch