训练大型语言模型(llm)，即使是那些“只有”70亿个参数的模型，也是一项计算密集型的任务。这种水平的训练需要的资源超出了大多数个人爱好者的能力范围。为了弥补这一差距，出现了低秩适应(LoRA)等参数高效方法，可以在消费级gpu上对大量模型进行微调。

GaLore是一种新的方法，它不是通过直接减少参数的数量，而是通过优化这些参数的训练方式来降低VRAM需求，也就是说GaLore是一种新的模型训练策略，可让模型使用全部参数进行学习，并且比LoRA更省内存。

GaLore将这些梯度投影到低秩空间上，显著减少了计算负荷，同时保留了训练所需的基本信息。与传统的优化器在反向传播后同时更新所有层的方法不同，GaLore在反向传播期间实现逐层更新。这种方法进一步减少了整个训练过程中的内存占用。

就像LoRA一样，GaLore可以让我们在具有24 GB VRAM的消费级GPU上微调7B模型。结果模型的性能与全参数微调相当，并且似乎优于LoRA。

优于目前Hugging Face还没有官方代码，我们就来手动使用论文的代码进行训练，并与LoRA进行对比

首先就要安装GaLore

pip install galore-torch

然后我们还要一下这些库，并且请注意版本

datasets==2.18.0transformers==4.39.1trl==0.8.1accelerate==0.28.0torch==2.2.1

Galore分层优化器是通过模型权重挂钩激活的。由于我们使用Hugging Face Trainer，还需要自己实现一个优化器和调度器的抽象类。这些类的结构不执行任何操作。

from typing import Optionalimport torch# Approach taken from Hugging Face transformers https://github.com/huggingface/transformers/blob/main/src/transformers/optimization.pyclass LayerWiseDummyOptimizer(torch.optim.Optimizer):    def __init__(self, optimizer_dict=None, *args, **kwargs):        dummy_tensor = torch.randn(1, 1)        self.optimizer_dict = optimizer_dict        super().__init__([dummy_tensor], {"lr": 1e-03})    def zero_grad(self, set_to_none: bool = True) -> None:      pass    def step(self, closure=None) -> Optional[float]:      passclass LayerWiseDummyScheduler(torch.optim.lr_scheduler.LRScheduler):    def __init__(self, *args, **kwargs):        optimizer = LayerWiseDummyOptimizer()        last_epoch = -1        verbose = False        super().__init__(optimizer, last_epoch, verbose)    def get_lr(self):      return [group["lr"] for group in self.optimizer.param_groups]    def _get_closed_form_lr(self):      return self.base_lrs

GaLore优化器的目标是特定的参数，主要是那些在线性层中以attn或mlp命名的参数。通过系统地将函数与这些目标参数挂钩，GaLore 8位优化器就会开始工作。

from transformers import get_constant_schedulefrom functools import partialimport torch.nnimport bitsandbytes as bnbfrom galore_torch import GaLoreAdamW8bit        def load_galore_optimizer(model, lr, galore_config):        # function to hook optimizer and scheduler to a given parameter    def optimizer_hook(p, optimizer, scheduler):        if p.grad is not None:            optimizer.step()            optimizer.zero_grad()            scheduler.step()    # Parameters to optimize with Galore    galore_params = [        (module.weight, module_name) for module_name, module in model.named_modules()        if isinstance(module, nn.Linear) and any(target_key in module_name for target_key in galore_config["target_modules_list"])    ]    id_galore_params = {id(p) for p, _ in galore_params}        # Hook Galore optim to all target params, Adam8bit to all others    for p in model.parameters():        if p.requires_grad:            if id(p) in id_galore_params:                optimizer = GaLoreAdamW8bit([dict(params=[p], **galore_config)], lr=lr)            else:                optimizer = bnb.optim.Adam8bit([p], lr = lr)            scheduler = get_constant_schedule(optimizer)                        p.register_post_accumulate_grad_hook(partial(optimizer_hook, optimizer=optimizer, scheduler=scheduler))                # return dummies, stepping is done with hooks    return LayerWiseDummyOptimizer(), LayerWiseDummyScheduler()

准备好优化器后，我们开始使用Trainer进行训练。下面是一个简单的例子，使用TRL的SFTTrainer (Trainer的子类)在Open Assistant数据集上微调llama2-7b，并在RTX 3090/4090等24 GB VRAM GPU上运行。

from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments, set_seed, get_constant_schedulefrom trl import SFTTrainer, setup_chat_format, DataCollatorForCompletionOnlyLMfrom datasets import load_datasetimport torch, torch.nn as nn, uuid, wandblr = 1e-5# GaLore optimizer hyperparametersgalore_config = dict(    target_modules_list = ["attn", "mlp"],    rank = 1024,    update_proj_gap = 200,    scale = 2,    proj_type="std")modelpath = "meta-llama/Llama-2-7b"model = AutoModelForCausalLM.from_pretrained(    modelpath,        torch_dtype=torch.bfloat16,    attn_implementation = "flash_attention_2",      device_map = "auto",    use_cache = False,)tokenizer = AutoTokenizer.from_pretrained(modelpath, use_fast = False)# Setup for ChatMLmodel, tokenizer = setup_chat_format(model, tokenizer)if tokenizer.pad_token in [None, tokenizer.eos_token]:    tokenizer.pad_token = tokenizer.unk_token# subset of the Open Assistant 2 dataset, 4000 of the top ranking conversationsdataset = load_dataset("g-ronimo/oasst2_top4k_en")training_arguments = TrainingArguments(    output_dir = f"out_{run_id}",    evaluation_strategy = "steps",    label_names = ["labels"],    per_device_train_batch_size = 16,    gradient_accumulation_steps = 1,    save_steps = 250,    eval_steps = 250,    logging_steps = 1,    learning_rate = lr,    num_train_epochs = 3,    lr_scheduler_type = "constant",    gradient_checkpointing = True,    group_by_length = False,)optimizers = load_galore_optimizer(model, lr, galore_config)trainer = SFTTrainer(    model = model,    tokenizer = tokenizer,    train_dataset = dataset["train"],    eval_dataset = dataset['test'],    data_collator = DataCollatorForCompletionOnlyLM(        instruction_template = "<|im_start|>user",        response_template = "<|im_start|>assistant",        tokenizer = tokenizer,        mlm = False),    max_seq_length = 256,    dataset_kwargs = dict(add_special_tokens = False),    optimizers = optimizers,    args = training_arguments,)trainer.train()

GaLore优化器带有一些需要设置的超参数如下:

target_modules_list:指定GaLore针对的层

rank:投影矩阵的秩。与LoRA类似，秩越高，微调就越接近全参数微调。GaLore的作者建议7B使用1024

update_proj_gap:更新投影的步骤数。这是一个昂贵的步骤，对于7B来说大约需要15分钟。定义更新投影的间隔，建议范围在50到1000步之间。

scale:类似于LoRA的alpha的比例因子，用于调整更新强度。在尝试了几个值之后，我发现scale=2最接近于经典的全参数微调。

给定超参数的训练损失与全参数调优的轨迹非常相似，表明GaLore分层方法确实是等效的。

用GaLore训练的模型得分与全参数微调非常相似。

GaLore可以节省大约15 GB的VRAM，但由于定期投影更新，它需要更长的训练时间。

上图为2个3090的内存占用对比

训练事件对比，微调:~58分钟。GaLore:约130分钟

最后我们再看看GaLore和LoRA的对比

上图为LoRA微调所有线性层，rank64,alpha 16的损失图

从数值上可以看到GaLore是一种近似全参数训练的新方法，性能与微调相当，比LoRA要好得多。

GaLore可以节省VRAM，允许在消费级GPU上训练7B模型，但是速度较慢，比微调和LoRA的时间要长差不多两倍的时间。

https://avoid.overfit.cn/post/0b15de8db27040f0abcaa7e554b0b993

作者：Geronimo