Эффективное по памяти обучение с Adafactor

Эффективное обучение моделей ИИ с PyTorch

Dennis Lee

Data Engineer, Amazon

Оптимизаторы для эффективного обучения

Иконки, представляющие AdamW, Adafactor и 8-bit Adam.

Компромиссы оптимизаторов

Диаграмма, показывающая компромиссы между числом параметров и точностью для AdamW, Adafactor и 8-bit Adam.

Как работает Adafactor?

Диаграмма, показывающая шаги работы Adafactor.

Как работает Adafactor?

Диаграмма, показывающая шаги работы Adafactor.

Как работает Adafactor?

Диаграмма, показывающая шаги работы Adafactor.

EMA: экспоненциальное скользящее среднее
Второй момент: EMA квадратов градиентов

Как работает Adafactor?

Диаграмма, показывающая шаги работы Adafactor.

EMA: экспоненциальное скользящее среднее
Второй момент: EMA квадратов градиентов

Как Adafactor экономит память?

Диаграмма, изображающая матрицу второго момента, сумму по столбцам и сумму по строкам.

Экономия памяти за счёт отказа от хранения матрицы второго момента

Как Adafactor экономит память?

Диаграмма, изображающая матрицу второго момента, сумму по столбцам и сумму по строкам.

Экономия памяти за счёт отказа от хранения матрицы второго момента
Вместо этого хранятся суммы по столбцам и строкам матрицы

Как Adafactor экономит память?

Диаграмма, изображающая матрицу второго момента, сумму по столбцам и сумму по строкам.

Экономия памяти за счёт отказа от хранения матрицы второго момента
Вместо этого хранятся суммы по столбцам и строкам матрицы

Как Adafactor экономит память?

Диаграмма, изображающая матрицу второго момента, сумму по столбцам и сумму по строкам.

Экономия памяти за счёт отказа от хранения матрицы второго момента
Вместо этого хранятся суммы по столбцам и строкам матрицы
Полная матрица оценивается как произведение сумм по столбцам и строкам

Реализация с Trainer и Accelerator

График сравнения простоты использования и возможности настройки для Accelerator и Trainer.

Реализация Adafactor с Trainer

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}

Реализация Adafactor с Accelerator

# 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

Анализ состояния оптимизатора

Доступ к optimizer через его state

optimizer_state = optimizer.state.values()

Или доступ к optimizer через 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, ...])}, ...])

Вычисление использования памяти Adafactor

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

Сравнение с AdamW: Adafactor использует значительно меньше памяти!

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

Давайте попрактикуемся!

Эффективное обучение моделей ИИ с PyTorch