本文主要是介绍14 大模型微调-KitTrain,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
1 介绍
如何降低占用的显存:
- 梯度累计:在一个完整的模型更新周期(epoch)中,将多个小批量(mini-batches)的数据的梯度进行累加,然后在一个较大的批量(累积步数)之后进行一次模型参数更新。
- 梯度检查点;
- 优化器;
- 冻结模型参数;
- 参数高校微调;
但是模型本身的参数并无改变!
之前提到的大模型微调技术都是冻结原模型的参数,然后添加额外的参数进行训练微调。下面我们针对大模型参数进行修正:比如4个字节的单精度调整为2个字节的;K-bit
训练是一种优化技术,主要用于减少模型训练过程中的内存占用和计算成本。这种方法通常涉及到使用低精度(如8位或更低)来存储和计算模型的权重,从而降低内存需求和加速训练过程。在深度学习领域,常见的低精度训练技术包括8位量化训练(8-bit training)和混合精度训练(Mixed Precision Training)。
1.1 K-bit 训练的主要形式
-
8位量化训练(8-bit Training):
- 在8位量化训练中,模型的权重被量化为8位整数(int8),从而大幅减少内存占用。
- 为了保持训练的准确性,通常会在前向传播时将量化后的权重反量化回高精度,然后在反向传播时使用高精度梯度进行更新。
-
混合精度训练(Mixed Precision Training):
- 混合精度训练是一种使用不同精度表示模型的不同部分的技术。
- 通常情况下,模型的权重使用16位浮点数(FP16)表示,而梯度累积和优化器状态使用32位浮点数(FP32)表示。
- 这种技术已经在许多现代深度学习框架中得到广泛应用,如NVIDIA的 Apex 库。
1.2 K-bit 训练的优势
- 减少内存占用:使用低精度表示可以显著减少模型的内存占用。
- 加速训练:低精度计算通常比高精度计算更快,尤其是在支持硬件加速(如GPU)的情况下。
- 节省计算资源:在分布式训练中,减少通信带宽需求,提高整体训练效率。
2 参数&显存
单精度(4个字节)-> 半精度(2字节)
b16取值范围:
2**(-24) = 5.960464477539063e-08, 低于这个范围的小数,会取零!
FP16的格式
- 符号位(Sign bit):1位
- 指数位(Exponent bits):5位
- 尾数位(Fraction bits):10位
编码规则
- 指数偏移量(Exponent bias):15
- 指数范围:2**5=32 个不同的值,即从 0 到 31,实际有效的指数范围是从(2**(5-1) - 1) −14到 15。
- 尾数(Mantissa):10位尾数位可以表示 2**10=1024 个不同的值。
取值范围
正常数值
正常数值指的是既不是特殊值也不是无穷大或NaN的情况。对于FP16,正常数值的取值范围如下:
2**(-10) * 2**(-14)
-
最小非零负数:: -65504。
-
最大负数:与最大正数的绝对值相同,但符号相反: -5.960464477539063×10−8。
这篇关于14 大模型微调-KitTrain的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!