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 11:06:03
来源:

猫眼影戏

作者:

苏小苏

手机检察

  猫眼影戏记者 龚伟 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:快猫app充值教程

??02月14日,广西弄岗保护区首次监测到倭蜂猴疑似繁殖行为影像,

  “这是一个祭灵吗,怎么称呼它?”雷云坤小心的问道。

,外国美女和别的黑人操逼网站。

??02月14日,强降雨致粤多地内涝 珠江流域北江沿江树木道路被淹,

  自上古诸圣喋血到现在,每隔数百年都会有少年英雄进入百断山,许多人都到过这里,寻找心仪的宝具。

,无码加秘 一区,免费男女黄色视频,seyuav。

??时事2:国产精品久久人人做人人爽

??02月14日,武汉沉湖湿地候鸟翔集,

  金色的,那是拼搏,是挑灯夜读时酸涩难睁的双眼,是运动会上体力透支尚不肯认输的倔强,是为维护班级、学校的荣誉而不懈斗争的汗水……金色的拼搏,浇灌出金色的果实,笑开了一张张疲惫而青春的脸。

,王拉拉升职无限传媒,国产亚洲一区精品黄a,又粗又爽的A片。

??02月14日,澳门特区第六届政府候任主要官员和检察长首次集体亮相,

  二、在事情思路上,强化生长意识

,黄色一级片黄色一级片黄色一级片,亚洲A片三级片在线播放,囯产又粗又大。

??时事3:我就在外面增一增

??02月14日,大熊猫“福宝”正式公开亮相,

  族人寻来许多灵药,但都无用,难以康复,他的小脸越来越惨白,不绝咳嗽,时;嵘,满身酷寒。

,婷婷国产成人久久精品激情,色欲ac综合网,流氓医生和护士国产精品。

??02月14日,看文字砖、观麒麟影壁 乌克兰留学生金山岭感受长城文化,

  远处有数万猛骑,强大的凶兽上危坐着甲胄锃亮的战士,神戈向天,闪烁冷冽的金属光泽,有一种肃杀之气。他们一动不动,卖力警戒,前方有王侯在狩猎。

,2023不付费黄台直播,国产欧美精品****三区-老狼,欧美裸体XXXXBBBB极品。

??时事4:www.daoguo

??02月14日,徐工超大型塔机XGT55000-800S将再次刷新纪录,

  “哎呀,毛球跟了下去。”

,黛妃作品集小说txt,色色男色女天堂,国产美女特级片免费视频播放器。

??02月14日,台湾多地降雪 民众兴奋追雪留影,

  独角兽是由鳞马变异爆发的,很是少,而这里竟然有一大群,不下五六十头,自然让一群大老爷们眼睛都红了,只是他们知道,这也算是凶兽,很难招惹。

,国产精品精品国产99,免费看在线A片,国产91精品666绿帽。

【抗洪牺牲村支书李清学被评定为烈士】

【“龟甲牛骨上的精灵——甲骨文艺术展”亮相南非】

责编:王兴奇

审核:张月慧

责编:小岛—卢

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