陈丹琦等｜微调语言模型内存高效的零阶优化器MeZO，内存减少多达12倍

392 0 0

?智源社区日报关注订阅?

Fine-Tuning Language Models with Just Forward Passes

Sadhika Malladi, Tianyu Gao, Eshaan Nichani, Alex Damian, Jason D. Lee, Danqi Chen, Sanjeev Arora

陈丹琦，普林斯顿大学计算机科学助理教授，西雅图Facebook AI Research（FAIR）的访问科学家。2018年，获得在斯坦福大学计算机科学系获得博士学位。

本文旨在介绍一种用于fine-tuning语言模型（LM）的低内存优化器——MeZO，内存减少多达12倍。使用单个A100 800G GPU，MeZO可以训练一个300亿参数的模型。

陈丹琦等｜微调语言模型内存高效的零阶优化器MeZO，内存减少多达12倍

本文提出了一个用于微调语言模型（LM）的内存高效的零阶优化器（MeZO）。随着LM的变大，反向传播变得计算成本高昂，需要大量的内存。MeZO采用经典的零阶随机梯度下降（ZO-SGD）方法，以就地运行，从而能够以与推断相同的内存占用空间对LM进行微调。

例如，使用单个A100 80GB GPU，MeZO可以训练300亿参数模型，而反向传播的微调只能用相同的资源训练27亿参数LM。MeZO已被证明可以与多个任务的反向传播相当，使内存使用量减少了12倍。

此外，MeZO在优化非可微目标方面非常有效，这些目标通常与反向传播不兼容。作者提供了理论上的见解，为什么尽管处理了数十亿个参数，但MeZO并不非常慢，正如经典的ZO理论所表明的那样。

作者还强调了未来潜在的探索领域，包括将MeZO与其他内存高效方法相结合，以及其对修剪、蒸馏、显著性、可解释性和用于微调的数据集选择等各种领域的适用性。

论文：https://arxiv.org/abs/2305.17333

代码：https://github.com/princeton-nlp/mezo

微调语言模型（LM）在各种下游任务上取得了成功，但随着LM的规模增长，反向传播需要大量内存。零阶（ZO）方法原则上只能使用两个正向传球来估计梯度，但理论上在优化大型模型时会非常缓慢。在这项工作中，我们提出了一个内存高效的零阶优化器（MeZO），将经典的ZO-SGD方法应用于就地运行，从而以与推断相同的内存占用来微调LM。

例如，使用单个A100 80GB GPU，MeZO可以训练300亿参数模型，而反向传播的微调只能以相同的预算训练2.7B LM。我们跨模型类型（屏蔽和自回归LM）、模型规模（高达66B）和下游任务（分类、多项选择和生成）进行全面实验。我们的结果表明，（1）MeZO的表现明显优于上下文学习和线性探测；（2）MeZO实现了与跨多个任务的反向传播微调的类似性能，内存减少高达12倍；（3）MeZO与全参数和参数高效的调优技术兼容，如LoRA和前缀调优；（4）MeZO可以有效地优化非可微的目标（例如，最大限度地提高准确性或F1）。我们用理论见解支持我们的实证发现，强调尽管经典的ZO分析表明情况并非如此，但充分的预培训和任务提示如何使MeZO能够微调大型模型。