繞開算力限制，如何用單GPU微調(diào) LLM？這是一份「梯度累積」算法教程

作者：機(jī)器之心 2023-05-15 09:51:23

讓算力資源用到極致，是每一位開發(fā)者的必修課。

自從大模型變成熱門趨勢(shì)之后，GPU 就成了緊俏的物資。很多企業(yè)的儲(chǔ)備都不一定充足，更不用說個(gè)人開發(fā)者了。有沒有什么方法可以更高效的利用算力訓(xùn)練模型？

在最近的一篇博客，Sebastian Raschka 介紹了「梯度累積」的方法，能夠在 GPU 內(nèi)存受限時(shí)使用更大 batch size 訓(xùn)練模型，繞開硬件限制。

在此之前，Sebastian Raschka 也分享過一篇運(yùn)用多 GPU 訓(xùn)練策略加速大型語(yǔ)言模型微調(diào)的文章，包括模型或 tensor sharding 等機(jī)制，這些機(jī)制將模型權(quán)重和計(jì)算分布在不同的設(shè)備上，以解決 GPU 的內(nèi)存限制。

微調(diào) BLOOM 模型進(jìn)行分類

假設(shè)我們有興趣采用近期預(yù)訓(xùn)練的大型語(yǔ)言模型來處理文本分類等下游任務(wù)。那么，我們可能會(huì)選擇使用 GPT-3 的開源替代品 BLOOM 模型，特別是「僅有」 5.6 億個(gè)參數(shù)的 BLOOM 版本 —— 它應(yīng)該可以毫無問題地融入至傳統(tǒng) GPU 的 RAM 中（Google Colab 免費(fèi)版本擁有 15 Gb RAM 的 GPU)。

一旦開始，就很可能遇到問題：內(nèi)存會(huì)在訓(xùn)練或微調(diào)期間迅速增加。訓(xùn)練這個(gè)模型的唯一方法是使批大小為 1（batch size=1）。

使用批大小為 1（batch size=1）為目標(biāo)分類任務(wù)微調(diào) BLOOM 的代碼如下所示。你也可以在 GitHub 項(xiàng)目頁(yè)面下載完整代碼：

https://github.com/rasbt/gradient-accumulation-blog/blob/main/src/1_batchsize-1.py

你可以將此代碼直接復(fù)制并粘貼到 Google Colab 中，但還必須將隨附的 local_dataset_utilities.py 文件拖放到從該文件導(dǎo)入了一些數(shù)據(jù)集實(shí)用程序的同一文件夾中。

# pip install torch lightning matplotlib pandas torchmetrics watermark transformers datasets -U

import os
import os.path as op
import time

from datasets import load_dataset
from lightning import Fabric
import torch
from torch.utils.data import DataLoader
import torchmetrics
from transformers import AutoTokenizer
from transformers import AutoModelForSequenceClassification
from watermark import watermark

from local_dataset_utilities import download_dataset, load_dataset_into_to_dataframe, partition_dataset
from local_dataset_utilities import IMDBDataset

def tokenize_text (batch):
    return tokenizer (batch ["text"], truncatinotallow=True, padding=True, max_length=1024)

def train (num_epochs, model, optimizer, train_loader, val_loader, fabric):

    for epoch in range (num_epochs):
        train_acc = torchmetrics.Accuracy (
            task="multiclass", num_classes=2).to (fabric.device)

        for batch_idx, batch in enumerate (train_loader):
            model.train ()

            ### FORWARD AND BACK PROP
            outputs = model (
                batch ["input_ids"],
                attention_mask=batch ["attention_mask"],
                labels=batch ["label"]
            ) 

            fabric.backward (outputs ["loss"])

            ### UPDATE MODEL PARAMETERS
            optimizer.step ()
            optimizer.zero_grad ()

            ### LOGGING
            if not batch_idx % 300:
                print (f"Epoch: {epoch+1:04d}/{num_epochs:04d}"
                      f"| Batch {batch_idx:04d}/{len (train_loader):04d}"
                      f"| Loss: {outputs ['loss']:.4f}")

            model.eval ()
            with torch.no_grad ():
                predicted_labels = torch.argmax (outputs ["logits"], 1)
                train_acc.update (predicted_labels, batch ["label"])

        ### MORE LOGGING
        model.eval ()
        with torch.no_grad ():
            val_acc = torchmetrics.Accuracy (task="multiclass", num_classes=2).to (fabric.device)
            for batch in val_loader:
                outputs = model (
                    batch ["input_ids"],
                    attention_mask=batch ["attention_mask"],
                    labels=batch ["label"]
                )
                predicted_labels = torch.argmax (outputs ["logits"], 1)
                val_acc.update (predicted_labels, batch ["label"])

            print (f"Epoch: {epoch+1:04d}/{num_epochs:04d}"
                  f"| Train acc.: {train_acc.compute ()*100:.2f}%"
                  f"| Val acc.: {val_acc.compute ()*100:.2f}%"
                  )
            train_acc.reset (), val_acc.reset ()

if __name__ == "__main__":

    print (watermark (packages="torch,lightning,transformers", pythnotallow=True))
    print ("Torch CUDA available?", torch.cuda.is_available ())
    device = "cuda" if torch.cuda.is_available () else "cpu"

    torch.manual_seed (123)
    # torch.use_deterministic_algorithms (True)

    ##########################
    ### 1 Loading the Dataset
    ##########################
    download_dataset ()
    df = load_dataset_into_to_dataframe ()
    if not (op.exists ("train.csv") and op.exists ("val.csv") and op.exists ("test.csv")):
        partition_dataset (df)

    imdb_dataset = load_dataset (
        "csv",
        data_files={
            "train": "train.csv",
            "validation": "val.csv",
            "test": "test.csv",
        },
    )

    #########################################
    ### 2 Tokenization and Numericalization
    #########################################

    tokenizer = AutoTokenizer.from_pretrained ("bigscience/bloom-560m", max_length=1024)
    print ("Tokenizer input max length:", tokenizer.model_max_length, flush=True)
    print ("Tokenizer vocabulary size:", tokenizer.vocab_size, flush=True)

    print ("Tokenizing ...", flush=True)
    imdb_tokenized = imdb_dataset.map (tokenize_text, batched=True, batch_size=None)
    del imdb_dataset
    imdb_tokenized.set_format ("torch", columns=["input_ids", "attention_mask", "label"])
    os.environ ["TOKENIZERS_PARALLELISM"] = "false"

    #########################################
    ### 3 Set Up DataLoaders
    #########################################

    train_dataset = IMDBDataset (imdb_tokenized, partition_key="train")
    val_dataset = IMDBDataset (imdb_tokenized, partition_key="validation")
    test_dataset = IMDBDataset (imdb_tokenized, partition_key="test")

    train_loader = DataLoader (
        dataset=train_dataset,
        batch_size=1,
        shuffle=True,
        num_workers=4,
        drop_last=True,
    )

    val_loader = DataLoader (
        dataset=val_dataset,
        batch_size=1,
        num_workers=4,
        drop_last=True,
    )

    test_loader = DataLoader (
        dataset=test_dataset,
        batch_size=1,
        num_workers=2,
        drop_last=True,
    )

    #########################################
    ### 4 Initializing the Model
    #########################################

    fabric = Fabric (accelerator="cuda", devices=1, precisinotallow="16-mixed")
    fabric.launch ()

    model = AutoModelForSequenceClassification.from_pretrained (
        "bigscience/bloom-560m", num_labels=2)

    optimizer = torch.optim.Adam (model.parameters (), lr=5e-5)


    model, optimizer = fabric.setup (model, optimizer)
    train_loader, val_loader, test_loader = fabric.setup_dataloaders (
        train_loader, val_loader, test_loader)

    #########################################
    ### 5 Finetuning
    #########################################

    start = time.time ()
    train (
        num_epochs=1,
        model=model,
        optimizer=optimizer,
        train_loader=train_loader,
        val_loader=val_loader,
        fabric=fabric,
    )

    end = time.time ()
    elapsed = end-start
    print (f"Time elapsed {elapsed/60:.2f} min")

    with torch.no_grad ():
        model.eval ()
        test_acc = torchmetrics.Accuracy (task="multiclass", num_classes=2).to (fabric.device)
        for batch in test_loader:
            outputs = model (
                batch ["input_ids"],
                attention_mask=batch ["attention_mask"],
                labels=batch ["label"]
            )
            predicted_labels = torch.argmax (outputs ["logits"], 1)
            test_acc.update (predicted_labels, batch ["label"])

    print (f"Test accuracy {test_acc.compute ()*100:.2f}%")

作者使用了 Lightning Fabric，因?yàn)樗梢宰岄_發(fā)者在不同硬件上運(yùn)行此代碼時(shí)靈活地改變 GPU 數(shù)量和多 GPU 訓(xùn)練策略。它還允許僅通過調(diào)整查準(zhǔn)率 flag 來啟用混合精度訓(xùn)練（mixed-precision training）。在這種情況下，混合精度訓(xùn)練可以將訓(xùn)練速度提高三倍，并將內(nèi)存需求降低約 25%。

上面展示的主要代碼都是在主函數(shù)（if __name__ == "__main__" 的 context）中執(zhí)行的，即使只使用單個(gè) GPU，也推薦使用 PyTorch 運(yùn)行環(huán)境執(zhí)行多 GPU 訓(xùn)練。而后，包含在 if __name__ == "__main__" 中的以下三個(gè)代碼部分負(fù)責(zé)數(shù)據(jù)加載：

# 1 加載數(shù)據(jù)集

# 2 token 化和數(shù)值化

# 3 設(shè)置數(shù)據(jù)加載器

第 4 節(jié)是初始化模型（Initializing the Model）中，然后在第 5 節(jié) 微調(diào)（Finetuning）中，調(diào)用 train 函數(shù)，這是開始讓事情變得有趣的地方。在 train (...) 函數(shù)中，實(shí)現(xiàn)了標(biāo)準(zhǔn)的 PyTorch 循環(huán)。核心訓(xùn)練循環(huán)的注釋版本如下所示：

批大小為 1（Batch size=1）的問題是梯度更新將會(huì)變得非常混亂和困難，正如下述訓(xùn)練模型時(shí)基于波動(dòng)的訓(xùn)練損失和糟糕的測(cè)試集性能所看到的：

...
torch : 2.0.0
lightning : 2.0.0
transformers: 4.27.2

Torch CUDA available? True
...
Epoch: 0001/0001 | Batch 23700/35000 | Loss: 0.0969
Epoch: 0001/0001 | Batch 24000/35000 | Loss: 1.9902
Epoch: 0001/0001 | Batch 24300/35000 | Loss: 0.0395
Epoch: 0001/0001 | Batch 24600/35000 | Loss: 0.2546
Epoch: 0001/0001 | Batch 24900/35000 | Loss: 0.1128
Epoch: 0001/0001 | Batch 25200/35000 | Loss: 0.2661
Epoch: 0001/0001 | Batch 25500/35000 | Loss: 0.0044
Epoch: 0001/0001 | Batch 25800/35000 | Loss: 0.0067
Epoch: 0001/0001 | Batch 26100/35000 | Loss: 0.0468
Epoch: 0001/0001 | Batch 26400/35000 | Loss: 1.7139
Epoch: 0001/0001 | Batch 26700/35000 | Loss: 0.9570
Epoch: 0001/0001 | Batch 27000/35000 | Loss: 0.1857
Epoch: 0001/0001 | Batch 27300/35000 | Loss: 0.0090
Epoch: 0001/0001 | Batch 27600/35000 | Loss: 0.9790
Epoch: 0001/0001 | Batch 27900/35000 | Loss: 0.0503
Epoch: 0001/0001 | Batch 28200/35000 | Loss: 0.2625
Epoch: 0001/0001 | Batch 28500/35000 | Loss: 0.1010
Epoch: 0001/0001 | Batch 28800/35000 | Loss: 0.0035
Epoch: 0001/0001 | Batch 29100/35000 | Loss: 0.0009
Epoch: 0001/0001 | Batch 29400/35000 | Loss: 0.0234
Epoch: 0001/0001 | Batch 29700/35000 | Loss: 0.8394
Epoch: 0001/0001 | Batch 30000/35000 | Loss: 0.9497
Epoch: 0001/0001 | Batch 30300/35000 | Loss: 0.1437
Epoch: 0001/0001 | Batch 30600/35000 | Loss: 0.1317
Epoch: 0001/0001 | Batch 30900/35000 | Loss: 0.0112
Epoch: 0001/0001 | Batch 31200/35000 | Loss: 0.0073
Epoch: 0001/0001 | Batch 31500/35000 | Loss: 0.7393
Epoch: 0001/0001 | Batch 31800/35000 | Loss: 0.0512
Epoch: 0001/0001 | Batch 32100/35000 | Loss: 0.1337
Epoch: 0001/0001 | Batch 32400/35000 | Loss: 1.1875
Epoch: 0001/0001 | Batch 32700/35000 | Loss: 0.2727
Epoch: 0001/0001 | Batch 33000/35000 | Loss: 0.1545
Epoch: 0001/0001 | Batch 33300/35000 | Loss: 0.0022
Epoch: 0001/0001 | Batch 33600/35000 | Loss: 0.2681
Epoch: 0001/0001 | Batch 33900/35000 | Loss: 0.2467
Epoch: 0001/0001 | Batch 34200/35000 | Loss: 0.0620
Epoch: 0001/0001 | Batch 34500/35000 | Loss: 2.5039
Epoch: 0001/0001 | Batch 34800/35000 | Loss: 0.0131
Epoch: 0001/0001 | Train acc.: 75.11% | Val acc.: 78.62%
Time elapsed 69.97 min
Test accuracy 78.53%

由于沒有多的 GPU 可用于張量分片（tensor sharding），又能做些什么來訓(xùn)練具有更大批大小（batch size）的模型呢？

其中一種解決方法就是梯度累積，可以通過它來修改前面提到的訓(xùn)練循環(huán)。

什么是梯度積累？

梯度累積是一種在訓(xùn)練期間虛擬增加批大小（batch size）的方法，當(dāng)可用的 GPU 內(nèi)存不足以容納所需的批大小時(shí)，這非常有用。在梯度累積中，梯度是針對(duì)較小的批次計(jì)算的，并在多次迭代中累積（通常是求和或平均），而不是在每一批次之后更新模型權(quán)重。一旦累積梯度達(dá)到目標(biāo)「虛擬」批大小，模型權(quán)重就會(huì)使用累積梯度進(jìn)行更新。

參考下面更新的 PyTorch 訓(xùn)練循環(huán)：

如果將 accumulation_steps 設(shè)置為 2，那么 zero_grad () 和 optimizer.step () 將只會(huì)每隔一秒調(diào)用一次。因此，使用 accumulation_steps=2 運(yùn)行修改后的訓(xùn)練循環(huán)與將批大小（batch size）加倍具有相同的效果。

例如，如果想使用 256 的批大小，但只能將 64 的批大小放入 GPU 內(nèi)存中，就可以對(duì)大小為 64 的四個(gè)批執(zhí)行梯度累積。（處理完所有四個(gè)批次后，將獲得相當(dāng)于單個(gè)批大小為 256 的累積梯度。）這樣能夠有效地模擬更大的批大小，而無需更大的 GPU 內(nèi)存或跨不同設(shè)備的張量分片。

雖然梯度累積可以幫助我們訓(xùn)練具有更大批量大小的模型，但它不會(huì)減少所需的總計(jì)算量。實(shí)際上，它有時(shí)會(huì)導(dǎo)致訓(xùn)練過程略慢一些，因?yàn)闄?quán)重更新的執(zhí)行頻率較低。盡管如此，它卻能幫我們解決限制問題，即批大小非常小時(shí)導(dǎo)致的更新頻繁且混亂。

例如，現(xiàn)在讓我們運(yùn)行上面的代碼，批大小為 1，需要 16 個(gè)累積步驟（accumulation steps）來模擬批大小等于 16。

輸出如下：

...
torch : 2.0.0
lightning : 2.0.0
transformers: 4.27.2

Torch CUDA available? True
...
Epoch: 0001/0001 | Batch 23700/35000 | Loss: 0.0168
Epoch: 0001/0001 | Batch 24000/35000 | Loss: 0.0006
Epoch: 0001/0001 | Batch 24300/35000 | Loss: 0.0152
Epoch: 0001/0001 | Batch 24600/35000 | Loss: 0.0003
Epoch: 0001/0001 | Batch 24900/35000 | Loss: 0.0623
Epoch: 0001/0001 | Batch 25200/35000 | Loss: 0.0010
Epoch: 0001/0001 | Batch 25500/35000 | Loss: 0.0001
Epoch: 0001/0001 | Batch 25800/35000 | Loss: 0.0047
Epoch: 0001/0001 | Batch 26100/35000 | Loss: 0.0004
Epoch: 0001/0001 | Batch 26400/35000 | Loss: 0.1016
Epoch: 0001/0001 | Batch 26700/35000 | Loss: 0.0021
Epoch: 0001/0001 | Batch 27000/35000 | Loss: 0.0015
Epoch: 0001/0001 | Batch 27300/35000 | Loss: 0.0008
Epoch: 0001/0001 | Batch 27600/35000 | Loss: 0.0060
Epoch: 0001/0001 | Batch 27900/35000 | Loss: 0.0001
Epoch: 0001/0001 | Batch 28200/35000 | Loss: 0.0426
Epoch: 0001/0001 | Batch 28500/35000 | Loss: 0.0012
Epoch: 0001/0001 | Batch 28800/35000 | Loss: 0.0025
Epoch: 0001/0001 | Batch 29100/35000 | Loss: 0.0025
Epoch: 0001/0001 | Batch 29400/35000 | Loss: 0.0000
Epoch: 0001/0001 | Batch 29700/35000 | Loss: 0.0495
Epoch: 0001/0001 | Batch 30000/35000 | Loss: 0.0164
Epoch: 0001/0001 | Batch 30300/35000 | Loss: 0.0067
Epoch: 0001/0001 | Batch 30600/35000 | Loss: 0.0037
Epoch: 0001/0001 | Batch 30900/35000 | Loss: 0.0005
Epoch: 0001/0001 | Batch 31200/35000 | Loss: 0.0013
Epoch: 0001/0001 | Batch 31500/35000 | Loss: 0.0112
Epoch: 0001/0001 | Batch 31800/35000 | Loss: 0.0053
Epoch: 0001/0001 | Batch 32100/35000 | Loss: 0.0012
Epoch: 0001/0001 | Batch 32400/35000 | Loss: 0.1365
Epoch: 0001/0001 | Batch 32700/35000 | Loss: 0.0210
Epoch: 0001/0001 | Batch 33000/35000 | Loss: 0.0374
Epoch: 0001/0001 | Batch 33300/35000 | Loss: 0.0007
Epoch: 0001/0001 | Batch 33600/35000 | Loss: 0.0341
Epoch: 0001/0001 | Batch 33900/35000 | Loss: 0.0259
Epoch: 0001/0001 | Batch 34200/35000 | Loss: 0.0005
Epoch: 0001/0001 | Batch 34500/35000 | Loss: 0.4792
Epoch: 0001/0001 | Batch 34800/35000 | Loss: 0.0003
Epoch: 0001/0001 | Train acc.: 78.67% | Val acc.: 87.28%
Time elapsed 51.37 min
Test accuracy 87.37%

根據(jù)上面的結(jié)果，損失的波動(dòng)比以前小了。此外，測(cè)試集性能提升了 10%。由于只迭代了訓(xùn)練集一次，因此每個(gè)訓(xùn)練樣本只會(huì)遇到一次。訓(xùn)練用于 multiple epochs 的模型可以進(jìn)一步提高預(yù)測(cè)性能。

你可能還會(huì)注意到，這段代碼的執(zhí)行速度也比之前使用的批大小為 1 的代碼快。如果使用梯度累積將虛擬批大小增加到 8，仍然會(huì)有相同數(shù)量的前向傳播（forward passes）。然而，由于每八個(gè) epoch 只更新一次模型，因此反向傳播（backward passes）會(huì)很少，這樣可更快地在一個(gè) epoch（訓(xùn)練輪數(shù)）內(nèi)迭代樣本。

結(jié)論

梯度累積是一種在執(zhí)行權(quán)重更新之前通過累積多個(gè)小的批梯度來模擬更大的批大小的技術(shù)。該技術(shù)在可用內(nèi)存有限且內(nèi)存中可容納批大小較小的情況下提供幫助。

但是，首先請(qǐng)思考一種你可以運(yùn)行批大小的場(chǎng)景，這意味著可用內(nèi)存大到足以容納所需的批大小。在那種情況下，梯度累積可能不是必需的。事實(shí)上，運(yùn)行更大的批大小可能更有效，因?yàn)樗试S更多的并行性且能減少訓(xùn)練模型所需的權(quán)重更新次數(shù)。

總之，梯度累積是一種實(shí)用的技術(shù)，可以用于降低小批大小干擾信息對(duì)梯度更新準(zhǔn)確性的影響。這是迄今一種簡(jiǎn)單而有效的技術(shù)，可以讓我們繞過硬件的限制。

PS：可以讓這個(gè)運(yùn)行得更快嗎？

沒問題。可以使用 PyTorch 2.0 中引入的 torch.compile 使其運(yùn)行得更快。只需要添加一些 model = torch.compile，如下圖所示：

GitHub 上提供了完整的腳本。

在這種情況下，torch.compile 在不影響建模性能的情況下又減少了十分鐘的訓(xùn)練時(shí)間：

poch: 0001/0001 | Batch 26400/35000 | Loss: 0.0320
Epoch: 0001/0001 | Batch 26700/35000 | Loss: 0.0010
Epoch: 0001/0001 | Batch 27000/35000 | Loss: 0.0006
Epoch: 0001/0001 | Batch 27300/35000 | Loss: 0.0015
Epoch: 0001/0001 | Batch 27600/35000 | Loss: 0.0157
Epoch: 0001/0001 | Batch 27900/35000 | Loss: 0.0015
Epoch: 0001/0001 | Batch 28200/35000 | Loss: 0.0540
Epoch: 0001/0001 | Batch 28500/35000 | Loss: 0.0035
Epoch: 0001/0001 | Batch 28800/35000 | Loss: 0.0016
Epoch: 0001/0001 | Batch 29100/35000 | Loss: 0.0015
Epoch: 0001/0001 | Batch 29400/35000 | Loss: 0.0008
Epoch: 0001/0001 | Batch 29700/35000 | Loss: 0.0877
Epoch: 0001/0001 | Batch 30000/35000 | Loss: 0.0232
Epoch: 0001/0001 | Batch 30300/35000 | Loss: 0.0014
Epoch: 0001/0001 | Batch 30600/35000 | Loss: 0.0032
Epoch: 0001/0001 | Batch 30900/35000 | Loss: 0.0004
Epoch: 0001/0001 | Batch 31200/35000 | Loss: 0.0062
Epoch: 0001/0001 | Batch 31500/35000 | Loss: 0.0032
Epoch: 0001/0001 | Batch 31800/35000 | Loss: 0.0066
Epoch: 0001/0001 | Batch 32100/35000 | Loss: 0.0017
Epoch: 0001/0001 | Batch 32400/35000 | Loss: 0.1485
Epoch: 0001/0001 | Batch 32700/35000 | Loss: 0.0324
Epoch: 0001/0001 | Batch 33000/35000 | Loss: 0.0155
Epoch: 0001/0001 | Batch 33300/35000 | Loss: 0.0007
Epoch: 0001/0001 | Batch 33600/35000 | Loss: 0.0049
Epoch: 0001/0001 | Batch 33900/35000 | Loss: 0.1170
Epoch: 0001/0001 | Batch 34200/35000 | Loss: 0.0002
Epoch: 0001/0001 | Batch 34500/35000 | Loss: 0.4201
Epoch: 0001/0001 | Batch 34800/35000 | Loss: 0.0018
Epoch: 0001/0001 | Train acc.: 78.39% | Val acc.: 86.84%
Time elapsed 43.33 min
Test accuracy 87.91%

請(qǐng)注意，與之前相比準(zhǔn)確率略有提高很可能是由于隨機(jī)性。

責(zé)任編輯：張燕妮來源：機(jī)器之心

算力開發(fā)