尊龙人生就是博

搜索 猫眼影戏 融媒体矩阵
  • 山东手机报

  • 猫眼影戏

  • 公共网官方微信

  • 公共网官方微博

  • 抖音

  • 人民号

  • 全国党媒平台

  • 央视频

  • 百家号

  • 快手

  • 头条号

  • 哔哩哔哩

首页 >新闻 >社会新闻

DeepSeek用的GRPO占用大宗内存 ?有人给出了些破解要领

2025-02-14 02:21:42
来源:

猫眼影戏

作者:

吴健林

手机检察

  猫眼影戏记者 黄丹华 报道P6F9A2Y5R3B1T0V4X8W

选自oxen.ai 作者:Greg Schoeninger 编译:陈陈、泽南 RTX 3080 移动版能训练哪种大模型 ?本文为那些 GPU 资源有限时使用 GRPO 训练的开发者提供了名贵的指导。 自 DeepSeek-R1 宣布以来 ,群组相对战略优化(GRPO)因其有效性和易于训练而成为大型语言模型强化学习的热门话题。R1 论文展示了如何使用 GRPO 从遵循 LLM(DeepSeek-v3)的基本指令转变为推理模型(DeepSeek-R1)。 GRPO 是一种在线学习算法(online learning algorithm) ,它通过使用训练历程中由训练模型自身生成的数据来进行迭代革新。GRPO 的目标是最大化生成补全(completions)的优势函数(advantage) ,同时确保模型坚持在参考战略(reference policy)四周。 本文的目的是帮你节省一些时间 ,让你凭据硬件预算选择合适的模型巨细。在开始微调时 ,你必须做出的重要决定是选择模型巨细 ,以及你是执行完全微调照旧参数高效微调(PEFT)。 文章作者来自 AI 公司 Oxen.ai 的 CEO Greg Schoeninger。 原文链接:https://www.oxen.ai/blog/grpo-vram-requirements-for-the-gpu-poor 作者体现 ,他发明 trl 库中已经有一个易于使用的 GRPO 实现 ,便立刻开始了训练 ,使用的硬件是配备了 16GB 显存的 Nvidia GeForce RTX 3080 的小型条记本电脑。正如各人可能遇到的问题 ,作者发明示例代码中的参数设置导致了一个巨大的显存缺乏(OOM ,out of memory )过失。 torchOutOfMemoryErrorCUDAoutof memoryTriedto allocate1.90GiBGPU0has a total capacity ofGiBof which1.28GiBisfreeIncludingnonPyTorchmemorythisprocess hasGiBmemoryinuseOfthe allocated memoryGiBisallocatedbyPyTorchand2.41GiBisreservedbyPyTorchbut unallocatedIfreserved but unallocated memoryislargetrysetting PYTORCH_CUDA_ALLOC_CONFexpandable_segmentsTrueto avoid fragmentationSeedocumentationforMemoryManagement//pytorch.org/docs/stable/notes/cuda.html#environment-variables) 实际使用情况 作者体现 ,他们进行了一系列实验 ,以确定训练种种巨细的模型所需的显存(VRAM)要求。参数数量从 5 亿到 140 亿不等 ,他们比较了权重的完全微调与参数高效微调(使用 LoRA) ,所有训练运行都在英伟达 H100 上完成 ,因此这里的 OOM 意味着 >80GB 的 VRAM。 在表格中 ,你可以找到 GSM8K 数据集上训练的前 100 步中的峰值内存使用情况。用于实验的模型是: 所有实验均使用 Shadeform 的 GPU 市场完成 ,因此每次实验只需要花费几美元 H100。 实验结果标明 ,内存需求随着模型巨细和训练方法的差别而显著变革。例如 ,全参数微调比 PEFT 需要更多的内存。 为什么 GRPO 对内存需求较高 这要从 GRPO 的原理说起 ,这是它的流程图。 GRPO 对内存需求较高的原因在于 ,其内部涉及多个模型 ,并且在训练数据中每个盘问会爆发多个输出。上图中的战略模型、参考模型和奖励模型各自都是一个需要进行推理的 LLM。(尽管从技术上讲 ,奖励模型可能不需要参数化 ,可以只是一个 Python 函数或正则表达式 ,但不影响 GRPO 对内存的高需求。) 为什么 8-Bit 优化和梯度检查点有助于减少内存占用 ? 通常来讲 ,训练一个大型语言模型需要在内存中存储三种主要类型的信息:模型参数、模型学习所需的梯度、优化器的跟踪数据。 对上述内容我们可以这样理解:如果模型的参数占用了 X 的空间 ,那么梯度也会占用约莫相同的空间。然后 ,像 AdamW 这样的优化器需要更多的空间 ,因为它们就像一个纪录员 ,跟踪最近的更新历史 ,以便更好地决定未来的优化。 为了减轻这种内存担负 ,通常接纳两种技术: 首先 ,可以使用像 AdamW 这样的 8-bit 优化器版本 ,它们能更高效地存储跟踪数据 ,同时仍坚持良好的性能 —— 类似于压缩照片可以节省空间 ,同时保存大部分图像质量;其次 ,使用梯度检查点技术 ,这就像在训练历程中拍摄快照 ,而不是纪录所有内容。虽然这会使逊з度减慢约 20-30% ,但它显著减少了内存使用。 结合这些技术 ,纵然对 GPU 资源有限的人来说 ,也能够训练更大的模型。 代码示例 像 trl 这样的库已经开始支持 GRPO ,使得微调由 transformers 组成的 LLM 变得很是简单。代码也很是简洁 ,只需将训练器替换为 GRPOTrainer 并界说一些奖励即可。GRPO 的最小代码量约莫只有 99 行 ,如果你使用的是像 meta-llama/Llama-3.2-1B-Instruct 这样的小型模型和像 openai/GSM8K 这样的数据集 ,可以非 ?焖俚仄舳。 trl 项目地点:https://github.com/huggingface/trl?ref=ghost.oxen.ai importtorchfromdatasetsimportload_datasetDatasetfromtransformersimportAutoTokenizerAutoModelForCausalLMfromtrlimportGRPOConfigGRPOTrainerimportreSYSTEM_PROMPTRespond in the following format:defextract_hash_answertextstrstrNoneif"####"notintextreturnNonereturntextsplit"####"1stripdefget_gsm8k_questionssplit"train"Datasetdataload_dataset'openai/gsm8k''main'splitdatadatamaplambda'prompt''role''system''content'SYSTEM_PROMPT},'role''user''content''question'],'answer'extract_hash_answer'answer'returndatadefextract_xml_answertextstrstranswertextsplit1answeranswersplit""0returnanswerstripdefformat_reward_funccompletionskwargslistfloat"""Reward function that checks if the completion has a specific format."""patternr"^\n\n$"\n.*?\n\n.*?\nresponsescompletion0"content"forcompletionincompletionsmatchesrematchpatternrforrinresponsesreturn0.5ifmatchelse0.0formatchinmatchesdefaccuracy_reward_funcpromptscompletionsanswerkwargslistfloat"""Reward function that extracts the answer from the xml tags and compares it to the correct answer."""responsescompletion0'content'forcompletionincompletionsextracted_responsesextract_xml_answerrforrinresponsesreturn2.0ifraelse0.0forrainzipextracted_responsesanswerdefmaindatasetget_gsm8k_questionsmodel_name"meta-llama/Llama-3.2-1B-Instruct"modelAutoModelForCausalLMfrom_pretrainedmodel_nametorch_dtypetorchbfloat16attn_implementation"flash_attention_2"device_mapNoneto"cuda"tokenizerAutoTokenizerfrom_pretrainedmodel_nametokenizerpad_tokentokenizereos_tokentraining_argsGRPOConfigoutput_dir"output"learning_rate5e-6adam_beta10.9adam_beta20.99weight_decay0.1warmup_ratio0.1lr_scheduler_type'cosine'logging_steps1bf16Trueper_device_train_batch_size1gradient_accumulation_steps4num_generations4max_prompt_length256max_completion_length786num_train_epochs1save_steps100save_total_limit1max_grad_norm0.1log_on_each_nodeFalsetrainerGRPOTrainermodelmodelprocessing_classtokenizerreward_funcsformat_reward_funcaccuracy_reward_func],argstraining_argstrain_datasetdatasettrainertrainif__name__"__main__"main Num Generations 有什么用 Num Generations 是一个超参数 ,它决定了我们将在训练数据中对每个盘问采样几多个补全。然而 ,这会显著增加 VRAM 的消耗。 目前有一个开放的 GitHub 问题 ,可能会资助解决内存瓶颈问题 ,可以参考如下链接 地点:https://github.com/huggingface/trl/issues/2709?ref=ghost.oxen.ai 关于 num_completions=8,16,64 (DeepSeekMath 论文使用的 64) ,作者体现 ,不必再次盘算上述所有值 ,而是使用了 1B 参数模型进行了测试 ,以显示内存增长。不过 ,作者照旧建议各人在内存瓶颈获得修复之前使用 num_generations=4 ,也能获得不错的性能。 影响 VRAM 的一些因素 要对所有影响显存(VRAM)使用的因素进行全面的超参数验证 ,需要进行大宗的实验。简单起见 ,这里只指出了需要注意的设置 ,以及实验中使用的具体数值。 batch_size=1 ,由于 GRPO 为每个盘问生成多个响应 ,batch size 会迅速失控。gradient_accumulation_steps=4 ,优化器是另一个占用大宗 VRAM 的地方。此参数决定了我们将存储的梯度以资助优化器进行其「爬山」历程。num_completions=4 ,DeepSeekMath 论文中使用了 64。这完全凌驾了有些人的盘算预算。max_prompt_length=256 ,如果你想训练模型拥有更大上下文的推理能力 ,将不得不增加 VRAM。GSM8K 的提示相对较小 ,适合此测试。max_completion_length=786 ,同样 ,由于盘算注意力的内存有限 ,推理链在这里受到限制。上下文或生成的 token 越多 ,需要的内存就越大。LoRA target_modules=["q_proj", "k_proj", "o_proj", "up_proj", "down_proj"] 在这方面可以实验几种差别的迭代。target_modules="all-linear" 是一种流行的方法 ,可以从你的 LoRA 中挤出最多的性能(就准确性而言)。 对 VRAM 使用的大概估算 如果你正在使用 FP16 精度进行训练 ,以下是一些简单的估算要领 ,可以资助你了解内存主要用在了哪些地方: 模型参数:每个参数占用 2 字节。参考模型参数:每个参数占用 2 字节。梯度:每个参数占用 2 字节。优化器状态:每个参数占用 8 字节。8 位优化器:每个参数占用 4 字节。PEFT:有助于减少梯度的显存占用。 最后是关于准确率的。作者完成了一个 10 亿参数的 Llama 3.2 模型的完整训练。在应用 GRPO 之前 ,该模型在保存测试集上抵达了约 19% 的准确率 ,而在经过一个训练周期后 ,模型的准确率飙升至约 40.5%。虽然这离 SOTA 水平还差得很远 ,但这展示了 GRPO 的强大潜力。

??时事1:sifangpian东北熟女

??02月14日,日本有意加强对包括俄中在内一些国家的出口管制 商务部回应,

  当再次施展宝术时 ,他的每一寸血肉都发光 ,符文隐现 ,如同一个个宝炉在源源不绝的提供精气神 ,让他感受精神饱满 ,通体舒泰。

,韩国伦理道德电影。

??02月14日,CBA第三阶段竞争性提升的背后,

  不过 ,那些遭创的人已经彻底失去了战斗力 ,再也无法组成威胁 ,大多都失去了肩头与手臂 ,注定会残疾一辈子。

,男生和喜欢的女生拥抱在一起有感觉,婷婷福利视频导航大全,GC突然抽出来。

??时事2:夜间做运动直播软件app

??02月14日,实拍江西湖口秋粮归仓,  受地动影响 ,途经昌福线运行的部分旅客列车晚点。铁路部分提醒宽大旅客可通过12306铁路客服平台及趁魅站广播、大屏、通告等方法 ,实时掌握列车运行情况 ,合理安排行程。,欧美日韩日B片,黄色无码AV,欧美一级片内射。

??02月14日,台湾七旬书画家用画作记录两岸古迹风貌:两岸一家亲,不可否认,

  目今 ,春耕在即 ,全市村级党组织换届选举事情已经圆满完成 ,在这个时候举办新任村(社区)干部培训班 ,是市委着眼于全市事情阵势 ,经过全面考虑决定的。举办这次培训班 ,主要目的是进一步提高村(社区)干部的政治业务素质 ,切实增强下层党组织为民效劳的本事 ,为今后更好地履行职责 ,加速农村经济生长 ,奋力推进全市率先全面建设小康社会作出孝敬。

,四川BBB桑BBB桑BBB,shadowweb血腥网站地址,酷咪视频app无限观看下载apk。

??时事3:国产一区在线观看福利网站在线

??02月14日,广西培养高素质自然资源人才 200多名选手同台竞技,

  最终 ,凶寇全部伏诛 ,一个都没有剩下。

,一个在上面成一个再添,人妻中文字幕无码系列,蘑菇理论2022。

??02月14日,第二届“京津冀协同发展杯”公路自行车邀请赛河北大厂开赛,

  本届系学生会即将完成使命 ,新的一届主席团成员已经爆发 ,新成员的加入必将为这个组织注入新的活力。我们有理由相信 ,在系领导、列位老师的悉心指导下 ,在学生会全体成员的配合加入 ,与努力下 ,系学生会将会越发辉煌。

,偷拍无码视频,腿张开点就不会疼了,国产女主播呻吟喷水在线观看。

??时事4:黑人的又黑又大又长

??02月14日,中央气象台继续发布强对流天气黄色预警,

  “即便没有听到 ,族长爷爷也会派出人来接应我回去的 ,耐心期待 ,大婶坚持住 ,一切都会好起来的。”小不点以稚嫩的声音为它鼓劲。

,正在播放我在厨房后入,www..com国产a片,深夜飙车福利网软件app官网。

??02月14日,你名下关联了多少账号?速查!,

  高等院校学生进行军事训练 ,是、国务院、国家教委做出的具有战略意义的决定 ,是高等院校教育革新的一项重要步伐 ,是全面提高峻学生素质 ,培养社会主义建设及格建设者和接班人的必修课 ,是对大学生进行国防教育 ,培养优良品德的一种重要形式。

,九九热精品在线,热门国产片西瓜视频,国产96在线|亚洲。

【巴基斯坦两起巴士翻车事故致30余人死亡】

【东北虎“出没”!吉林野生东北虎达50只 比2017年翻了一番】

责编:施之皓

审核:哈利法克斯

责编:崔欢拽

相关推荐 换一换

Copyright (C) 2001-2025   dzwww.com. All Rights Reserved

新闻信息效劳许可证 - 音像制品出书许可证 - 广播电视节目制作经营许可证 - 网络视听许可证 - 网络文化经营许可证

山东省互联网传媒集团主办  联系电话:0531-85193202  违法不良信息举报电话:0531-85196540

鲁ICP备09023866号-1   鲁公网安备 37010202000111号  

Copyright (C) 2001-2025 Dzwww   鲁ICP备09023866号-1

网站地图