大模型微调加速方法探究_accelerate微调模型-优快云博客

本文链接：https://blog.youkuaiyun.com/Java_ZZZZZ/article/details/146154680

通过本文可以了解：LoRA模型加速原理、peft包使用、Autocust自动混合精度、Accelerate和deepspeed加速、多GPU分布式训练等大模型加速训练和微调的方法和代码应用示例。

近期大模型层出不穷，大家对于大模型的微调也在跃跃欲试，像斯坦福的Alpaca[1], 清华的ChatGLM[2]，中文的Chinese-Vicuna[3]，让我这样的普通玩家也能训练自己的微调模型。

在微调和推理的时候仍然需要加速，有哪些方法可以加速微调呢？

Part1LoRA

低秩矩阵分解 LoRA[4]原理：冻结预训练模型权重，并将可训练的秩分解矩阵注入到Transformer层的每个权重中，大大减少了下游任务的可训练参数数量。LoRA 开源代码[5]见文末。

原理图：

公式：

结合原理图和公式，我们可以很容易明白LoRA了：

左侧是预训练模型的权重，输入输出维度都是d，在训练期间被冻结，不接受梯度更新。

右侧，对A使用随机的高斯初始化，B在训练开始时为零，r是秩，会对△Wx做缩放 α/r。

HuggingFace的包peft[6]对LoRA做了封装支持，几步即可使用：

在这里插入图片描述

论文中提到了LoRA的诸多优点：

Part2Accelerate 和 deepspeed

Accelerate[7]库提供了简单的 API，使我们可以在任何类型的单节点或分布式节点(单CPU、单GPU、多GPU 和 TPU)上运行，也可以在有或没有混合精度(fp16)的情况下运行。

这里是我用 Accelerator 和 DeepSpeedPlugin 做个示例：

需要提前知道梯度累积步骤 gradient_accumulation_steps 和梯度累积计算

在这里插入图片描述

Part3Autocast 自动混合精度

autocast是在GPU上训练时一种用于降低显存消耗的技术。原理是用更短的总位数来保存浮点数，能够有效将显存消耗降低，从而设置更大的batch来加速训练。但会造成精度的损失，导致收敛效果也会变差。

PyTorch的AMP有2种精度是torch.FloatTensor和torch.HalfTensor。

使用方法：

from torch.cuda.amp import autocast as autocast, GradScaler

dataloader = ...
model = model.cuda()
optimizer = ...
scheduler = ...
# scaler的大小在每次迭代中动态估计，为了尽可能减少梯度，scaler应该更大；
# 但太大，半精度浮点型又容易 变成inf或NaN.
# 动态估计原理就是在不出现if或NaN梯度的情况下，尽可能的增大scaler值。 
scaler = GradScaler()

for epoch in range(epochs):
    for batch_idx, (data, targets) in enumerate(train_dataloader):
        optimizer.zero_grad()        
        data = data.cuda(0)        
        with autocast(dtype=torch.bfloat16): # 自动混精度            
            logits = model(data)            
            loss = loss(logits, targets)       
        # 反向传播梯度放大        
        scaler.scale(loss).backward()        
        # 首先 把梯度值unscale回来, 优化器中的值也需要放缩        
        # 如果梯度值不是inf或NaN, 则调用optimizer.step()来更新权重，否则，忽略step调用，从而保证权重不更新。        
        scaler.step(optimizer)        
        # 看是否要增大scaler, 更新scaler        
        scaler.update()

Part4单机多GPU

如果条件允许的话，可以使用单机多卡和分布式训练。

那么：

模型怎么同步参数与梯度？
数据怎么划分到多个GPU中？

pytorch框架给我们封装了对应的接口函数：

在这里插入图片描述

PyTorch提供的torchrun命令以及一些API封装了多进程的实现。我们只要在普通的单进程程序前后加入：开头 setup()和结尾 cleanup()：
在这里插入图片描述

就能用多个进程来运行训练程序，每个进程分配一个GPU，我们可以用dist.get_rank()来查看当前进程的GPU号的。

在这里插入图片描述

1数据并行：

只要在生成Dataloader时，把DistributedSampler的实例传入sampler参数就行了，DistributedSampler会自动对数据采样，并放到不同的进程中。这里需要注意的是：sampler自动完成了打乱数据集的作用，所以在定义DataLoader时，不用再开启shuffle选项。

一机多GPU，使用一个进程管理一个GPU，每个进程共享模型参数，但是使用不同的数据，每次训练数据量 = batch size * GPU个数。PyTorch提供的torchrun命令以及一些API封装了多进程的实现：

https://pytorch.org/docs/stable/elastic/run.html#launcher-api

数据处理部分的示例代码，MyDataset具体内部实现：
在这里插入图片描述