碾压LoRA！Meta & CMU | 提出高效大模型微调方法：GaLore，内存可减少63.3%

最新推荐文章于 2024-07-03 09:10:30 发布

AINLPer

最新推荐文章于 2024-07-03 09:10:30 发布

阅读量1.3k

点赞数 37

分类专栏：自然语言数据集分享文章标签：大模型测试数据集自然语言处理人工智能大模型数据集

本文链接：https://blog.csdn.net/yinizhilianlove/article/details/136782743

版权

自然语言数据集分享专栏收录该内容

20 篇文章 1 订阅

订阅专栏

来源: AINLPer公众号（每日干货分享！！）
编辑: ShuYini
校稿: ShuYini
时间: 2024-3-13

引言

大模型训练通常会遇到内存资源的限制。目前常用的内存减少方法低秩适应（LoRA），通过引入低秩（low-rank）适配器来更新模型的权重，而不是直接更新整个权重矩阵。然而，这种方法在预训练和微调阶段通常表现不佳，为此，本文作者提出了梯度低秩映射（Gradient Low-Rank Projection ，GaLore），这是一种允许全参数学习的训练策略，并且比 LoRA 等常见的低秩适应方法更节省内存，内存最高可减少了 63.3% 。

论文获取，GZ： AINLPer公众号 回复：GaLore论文

背景介绍

大型语言模型(LLMs)在对话式人工智能和语言翻译等领域展现出了令人印象深刻的性能。训练这些大模型（LLMs）不仅需要大量的计算资源，而且对内存的需求也非常大。这里的内存需求不仅仅是指数十亿个可训练的参数，还包括它们的梯度和优化器状态，比如Adam中的梯度动量和方差，这些往往比参数本身占用的存储空间还要大。

举个例子，如果我们从头开始训练一个LLaMA 7B模型，即使是用最小的批量大小，也需要至少58GB的内存，其中14GB用于存储可训练的参数，42GB用于存储Adam优化器的状态和权重梯度，还有2GB用于存储激活值。这样的内存需求使得在像NVIDIA RTX 4090这样只有24GB内存的消费级GPU上进行训练变得不太现实。

除了工程和系统方面的努力，比如梯度检查点和内存卸载等技术来实现更快更高效的分布式训练，研究人员还在寻求开发各种优化技术，以减少预训练和微调过程中的内存使用。

高效参数微调（Parameter-efficient fine-tuning，PEFT ）技术让我们能够高效的将预训练语言模型（PLMs）适配至不同的下游任务中，从而无需对模型的所有参数进行调整。其中，当前较火的低秩适应（LoRA）技术将权重矩阵 $W\in \mathbb{R} ^{m\times n}$ 重新参数化为 $W = W_0 + BA$ ，这里的 $W_0$ 是一个固定的全秩矩阵，而 $B\in \mathbb{R} ^{m\times r}$ 和 $A\in \mathbb{R} ^{r\times n}$ 是待学习的附加低秩适配器。因为秩 $r\ll min(m,n)$ ，所以A和B包含的可训练参数数量较少。

当前LoRA已经被广泛使用，其中 $W_0$ 是固定的预训练权重。它的变体ReLoRA也用于预训练，通过定期使用之前学到的低秩适配器来更新 $W_0$ 。然而对于微调来说，有研究表明LoRA并没有显示出与全秩微调相当的性能。对于从头开始的预训练，它被证明需要一个全秩模型训练作为热身，然后才能在低秩子空间中进行优化。这其中可能有两个原因：（1）最优的权重矩阵可能不是低秩的；（2）重新参数化改变了梯度训练的动态。

为了解决上述挑战，本文作者提出了Gradient Low-Rank Projection（GaLore）训练策略，它允许全参数学习，同时比LoRA等常见低秩适应方法更节省内存。

GaLore介绍

GaLore的核心思想是在训练过程中利用梯度的低秩特性，而不是直接对权重矩阵进行低秩近似。具体来说：

在LLMs的训练过程中，权重矩阵W的梯度G（ $W\in \mathbb{R} ^{m\times n}$ ）通常具有低秩结构。这意味着梯度矩阵可以通过较小的子空间来近似表示，从而减少内存占用。GaLore通过计算两个投影矩阵 $P\in \mathbb{R} ^{m\times r}$ 和 $Q\in \mathbb{R} ^{n\times r}$ ，将梯度矩阵G投影到一个低秩形式 $P^⊤GQ$ 。这样的投影操作可以显著降低优化器状态的内存成本，因为P 和 Q 的低频率更新（例如，每 200 次迭代）会产生最小的额外计算成本。

在训练过程中GaLore可以动态的切换低秩子空间，这意味着模型可以在不同的子空间中学习，而不是局限于单一的低秩空间。这种动态切换通过定期更新投影矩阵P和Q来实现，以适应梯度的变化。此外，GaLore在内存使用上进行了优化，例如，它只使用一个投影矩阵P或Q，而不是同时使用两个，这进一步减少了内存需求。

不仅如此GaLore还可以与现有技术结合，例如：与8位优化器的结合：GaLore可以与8位优化器（如8位Adam）结合使用，这些优化器已经在内存使用上进行了优化。结合使用GaLore和8位优化器可以在保持性能的同时，进一步降低内存占用。逐层权重更新：GaLore还与逐层权重更新技术结合，这种技术在反向传播期间执行权重更新，从而减少了存储整个权重梯度的需要。

GaLore引入了少量额外的超参数：除了Adam的原始超参数外，GaLore引入了秩 $r$ 、子空间切换频率 $T$ 和缩放因子 $α$ 。这些超参数有助于调整GaLore的行为，以适应不同的训练需求。其中在Adam引入GaLore如下所示。

实验结果

如下图，展示了在预训练LLaMA 7B模型时，不同方法的内存消耗。与 BF16 Adam 基线和 8 位 Adam 相比，8 位 GaLore 分别减少了 37.92G (63.3%) 和 24.5G (52.3%) 总内存。。

如下图，在GLUE基准测试中，GaLore在微调预训练的RoBERTa模型时，与LoRA相比，取得了更好的性能。

如下图，在不同模型大小下，使用不同方法时的内存使用情况。这进一步证实了GaLore在内存效率方面的优势。