Mixed precision-träning med 8-bitars Adam

Effektiv AI-modellträning med PyTorch

Dennis Lee

Data Engineer, Amazon

Optimerare för träningseffektivitet

Diagram som visar avvägningar mellan antal parametrar och precision för AdamW, Adafactor och 8-bitars Adam.

Optimerare för träningseffektivitet

Diagram som visar avvägningar mellan antal parametrar och precision för AdamW, Adafactor och 8-bitars Adam.

Hur fungerar 8-bitars Adam?

Diagram som visar stegen i 8-bitars Adam.

Lagra parametrar i FP8; optimera i FP32

Hur fungerar 8-bitars Adam?

Diagram som visar stegen i 8-bitars Adam.

Lagra parametrar i FP8; optimera i FP32

Hur fungerar 8-bitars Adam?

Diagram som visar stegen i 8-bitars Adam.

Lagra parametrar i FP8; optimera i FP32

Hur fungerar 8-bitars Adam?

Diagram som visar stegen i 8-bitars Adam.

Lagra parametrar i FP8; optimera i FP32
EMA: exponentiellt glidande medelvärde
Beräkna EMA för gradienter och kvadrerade gradienter

Hur fungerar 8-bitars Adam?

Diagram som visar stegen i 8-bitars Adam.

Lagra parametrar i FP8; optimera i FP32
EMA: exponentiellt glidande medelvärde
Beräkna EMA för gradienter och kvadrerade gradienter

Hur sparar 8-bitars Adam minne?

Diagram som visar parametergradienter, EMA för gradienter och EMA för kvadrerade gradienter.

Hur sparar 8-bitars Adam minne?

Diagram som visar parametergradienter, EMA för gradienter och EMA för kvadrerade gradienter.

Hur sparar 8-bitars Adam minne?

Diagram som visar parametergradienter, EMA för gradienter och EMA för kvadrerade gradienter.

Varje ruta är en parameter; varje färg är ett tillstånd
Minne per parameter = 2 byte = 1 byte per tillstånd × 2 tillstånd
Totalt minne = Minne per parameter (2 byte) × Antal parametrar

Uppskatta minnesanvändning för 8-bitars Adam

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

Konfigurera 8-bitars Adam-optimeraren

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]

Viktavtagning förhindrar överanpassning
decay_parameters: anger parametrar för viktavtagning
get_parameter_names: returnerar parameternamn; ignorerar nn.LayerNorm-lager
Ta bort bias-parametrar från decay_parameters
Tillämpa inte viktavtagning på normaliseringslager och bias

Konfigurera 8-bitars Adam-optimeraren

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: En grupp med viktavtagning; den andra utan
beta1, beta2: Avtagningshastighet för 1:a och 2:a momentet; högre = stabilt, långsammare träning

Implementera 8-bitars Adam med Trainer

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}

Implementera 8-bitars Adam med Accelerator

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

Beräkna minnesanvändning för 8-bitars Adam

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

Jämförelse med AdamW: 8-bitars Adam använder 1/4 av minnet

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

Lass uns üben!

Effektiv AI-modellträning med PyTorch

Preparing Video For Download...