Trening mieszanej precyzji z 8-bitowym Adamem

Efektywne trenowanie modeli AI z PyTorch

Dennis Lee

Data Engineer, Amazon

Optymalizatory dla efektywności treningu

Diagram przedstawiający kompromisy między liczbą parametrów a precyzją dla AdamW, Adafactor i 8-bitowego Adama.

Optymalizatory dla efektywności treningu

Diagram przedstawiający kompromisy między liczbą parametrów a precyzją dla AdamW, Adafactor i 8-bitowego Adama.

Jak działa 8-bitowy Adam?

Diagram przedstawiający kroki 8-bitowego Adama.

Parametry w FP8; optymalizacja w FP32

Jak działa 8-bitowy Adam?

Diagram przedstawiający kroki 8-bitowego Adama.

Parametry w FP8; optymalizacja w FP32

Jak działa 8-bitowy Adam?

Diagram przedstawiający kroki 8-bitowego Adama.

Parametry w FP8; optymalizacja w FP32

Jak działa 8-bitowy Adam?

Diagram przedstawiający kroki 8-bitowego Adama.

Parametry w FP8; optymalizacja w FP32
EMA: wykładnicza średnia krocząca
Oblicz EMA gradientów i gradientów kwadratowych

Jak działa 8-bitowy Adam?

Diagram przedstawiający kroki 8-bitowego Adama.

Parametry w FP8; optymalizacja w FP32
EMA: wykładnicza średnia krocząca
Oblicz EMA gradientów i gradientów kwadratowych

Jak 8-bitowy Adam oszczędza pamięć?

Diagram przedstawiający gradienty parametrów, EMA gradientów i EMA gradientów kwadratowych.

Jak 8-bitowy Adam oszczędza pamięć?

Diagram przedstawiający gradienty parametrów, EMA gradientów i EMA gradientów kwadratowych.

Jak 8-bitowy Adam oszczędza pamięć?

Diagram przedstawiający gradienty parametrów, EMA gradientów i EMA gradientów kwadratowych.

Każdy kwadrat to parametr, każdy kolor to stan
Pamięć na parametr = 2 bajty = 1 bajt na stan * 2 stany
Pamięć łączna = pamięć na parametr (2 bajty) * liczba parametrów

Szacowanie użycia pamięci przez 8-bitowego Adama

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

Konfiguracja optymalizatora 8-bitowego Adam

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]

Regularyzacja wagowa zapobiega przeuczeniu
decay_parameters: parametry objęte regularyzacją wagową
get_parameter_names: zwraca nazwy parametrów; pomija warstwy nn.LayerNorm
Usuń parametry bias z decay_parameters
Nie stosuj regularyzacji do warstw normalizacji i biasów

Konfiguracja optymalizatora 8-bitowego Adam

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: jedna grupa z regularyzacją wagową, druga bez
beta1, beta2: współczynniki zaniku 1. i 2. momentu; wyższe = stabilniejszy, wolniejszy trening

Implementacja 8-bitowego Adama z Trainerem

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}

Implementacja 8-bitowego Adama z Acceleratorem

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

Obliczanie użycia pamięci przez 8-bitowego Adama

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

Porównanie z AdamW: 8-bitowy Adam używa 1/4 pamięci

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

Czas na ćwiczenia!

Efektywne trenowanie modeli AI z PyTorch

Preparing Video For Download...