정확도가 높고 리소스 소모가 적은 대규모 모델에 대한 희소 학습 방법이 발견되었습니다.

최근 대형 모델의 희소 훈련에 관한 Alibaba Cloud Machine Learning PAI의 논문 "대규모 언어 모델 미세 조정을 위한 매개변수 효율적인 희소성"이 최고의 인공 지능 컨퍼런스인 IJCAI 2022에서 채택되었습니다.
본 논문에서는 가중치의 중요도 지수를 분석하여 낮은 순위와 구조라는 두 가지 특성을 갖는 매개변수 효율적인 희소 학습 알고리즘 PST를 제안합니다. 이 결론을 바탕으로 PST 알고리즘은 가중치의 중요도를 계산하기 위해 두 개의 작은 행렬 세트를 도입합니다. 원래는 가중치만큼 큰 행렬이 필요했지만 중요도 지수를 저장하고 업데이트해야 하는 매개변수의 양이 늘어났습니다. 희소 훈련을 위해 업데이트되는 횟수가 크게 줄어듭니다. 일반적으로 사용되는 희소 훈련 알고리즘과 비교할 때 PST 알고리즘은 매개변수의 1.5%만 업데이트하면서 유사한 희소 모델 정확도를 달성할 수 있습니다.

Background

최근 몇 년간 대기업과 연구기관에서 다양한 대형 모델을 제안해왔는데, 이러한 대형 모델의 매개변수는 수백억에서 수조에 이르며, 심지어는 이미 수백조에 달하는 매우 큰 모델이 등장했습니다. 모델. 이러한 모델은 훈련하고 배포하는 데 많은 양의 하드웨어 리소스가 필요하므로 구현하기가 어렵습니다. 따라서 대규모 모델 훈련 및 배포에 필요한 자원을 어떻게 줄일 것인가가 시급한 문제가 되었습니다.
모델 압축 기술은 모델 배포에 필요한 리소스를 효과적으로 줄일 수 있습니다. 일부 가중치를 제거하면 모델의 계산을 조밀한 계산에서 희소 계산으로 변환하여 메모리 사용량을 줄이고 계산 속도를 높일 수 있습니다. 동시에 희소성은 다른 모델 압축 방법(구조적 가지치기/양자화)과 비교하여 모델 정확도를 보장하면서 더 높은 압축률을 달성할 수 있으며 매개변수 수가 많은 대형 모델에 더 적합합니다.

Challenge

기존 희소 학습 방법은 두 가지 범주로 나눌 수 있습니다. 하나는 가중치 기반 데이터 없는 희소 알고리즘이고, 다른 하나는 데이터 기반 데이터 기반 희소 알고리즘입니다. 가중치 기반 희소 알고리즘은 가중치의 L1 노름을 계산하여 가중치의 중요도를 평가하고 이를 기반으로 해당 희소 결과를 생성하는 크기 가지치기[1]와 같은 아래 그림에 나와 있습니다. 가중치 기반 희소 알고리즘은 계산이 효율적이고 훈련 데이터의 참여가 필요하지 않지만, 계산된 중요도 지수가 충분히 정확하지 않아 최종 희소 모델의 정확도에 영향을 미칩니다.

가중치와 해당 기울기의 곱을 가중치의 중요도를 측정하는 지표로 계산하는 움직임 가지치기[2]와 같은 데이터 기반 희소 알고리즘은 아래 그림과 같습니다. 이 유형의 방법은 특정 데이터 세트에서 가중치의 역할을 고려하므로 가중치의 중요성을 더 정확하게 평가할 수 있습니다. 그러나 이러한 방식은 각 가중치의 중요도를 계산하고 저장해야 하기 때문에 중요도 지수(그림의 S)를 저장하기 위한 추가 공간이 필요한 경우가 많다. 동시에 가중치 기반 희소 방법에 비해 계산 프로세스가 더 복잡한 경우가 많습니다. 이러한 단점은 모델의 크기가 커질수록 더욱 분명해집니다.

요약하자면, 이전 희소 알고리즘은 효율적이지만 충분히 정확하지 않거나(가중치 기반 알고리즘), 정확하지만 충분히 효율적이지 않습니다(데이터 기반 알고리즘). 따라서 우리는 대형 모델에 대해 정확하고 효율적으로 희소 학습을 수행할 수 있는 효율적인 희소 알고리즘을 제안하고자 합니다.

Break

데이터 기반 희소 알고리즘의 문제점은 일반적으로 가중치의 중요성을 학습하기 위해 가중치와 동일한 크기의 추가 매개변수를 도입한다는 점이며, 이로 인해 도입되는 추가 매개변수를 줄이는 방법에 대해 고민하게 됩니다. 가중치 성별의 중요성을 계산합니다. 우선, 가중치 중요도 계산에 기존 정보를 최대한 활용하기 위해 가중치 중요도 지수를 다음 공식으로 설계합니다.

즉, 데이터 프리와 데이터-를 결합합니다. 최종 모델 가중치의 중요성을 공동으로 결정하기 위한 구동 지표. 기존의 데이터 프리 중요도 지수는 추가 매개변수 저장이 필요하지 않고 계산에도 효율적인 것으로 알려져 있으므로, 향후 데이터 기반 중요도 지수에서 도입되는 추가 훈련 매개변수를 어떻게 압축할지가 우리가 해결해야 할 문제이다.

기존 희소 알고리즘을 기반으로 데이터 기반 중요도 지수는

과 같이 설계할 수 있습니다.

따라서 이 공식으로 계산된 중요도 지표의 중복성을 분석하기 시작합니다. 우선, 이전 연구를 바탕으로 가중치와 해당 그래디언트 모두 명백한 낮은 순위 속성을 갖는 것으로 알려져 있으므로[3, 4], 중요도 지수도 낮은 순위 속성을 갖는다고 추론할 수 있으므로 두 가지를 소개할 수 있습니다. 낮은 순위 속성 가중치만큼 큰 원래 중요도 표시 행렬을 나타내는 작은 행렬입니다.

두 번째로, 모델 희소성 이후의 결과를 분석한 결과 명백한 구조적 특징이 있음을 발견했습니다. 위 그림과 같이 각 그림의 오른쪽은 최종 희소 가중치의 시각화 결과이고, 왼쪽은 각 행/열의 해당 희소성 비율을 계산한 히스토그램입니다. 왼쪽 그림에서는 30% 행의 가중치가 대부분 제거된 것을 볼 수 있고, 반대로 오른쪽 그림에서는 30% 열의 가중치가 대부분 제거된 것을 볼 수 있습니다. 이러한 현상을 바탕으로 가중치의 각 행/열의 중요성을 평가하기 위해 두 개의 작은 구조화된 행렬을 도입합니다.

위의 분석을 바탕으로 데이터 기반 중요도 지수는 순위와 구조가 낮다는 것을 알았으므로 이를 다음과 같은 표현으로 변환할 수 있습니다.

여기서 A와 B는 낮은 순위를 나타내고, R과 C는 구조적 특성을 나타냅니다. 이러한 분석을 통해 원래 가중치만큼 컸던 중요도 지수 행렬을 4개의 작은 행렬로 분해하여 희소 훈련에 수반되는 훈련 매개변수를 크게 줄였습니다. 동시에 훈련 매개변수를 더욱 줄이기 위해 이전 방법을 기반으로 가중치 업데이트를 두 개의 작은 행렬 U와 V로 분해하여 최종 중요도 지수 공식은 다음과 같은 형식이 됩니다. 알고리즘 프레임워크 다이어그램은 다음과 같습니다.

최종 PST 알고리즘 실험 결과는 NLU(BERT, RoBERTa) 및 NLG(GPT-2) 작업에 대한 크기 가지치기 및 이동 가지치기와 비교합니다. 90%의 희소 비율에서 PST는 대부분의 데이터 세트에서 이전 알고리즘에 필적하는 모델 정확도를 달성할 수 있지만 훈련 매개변수는 1.5%만 필요합니다.

PST 기술은 Alibaba Cloud Machine Learning PAI의 모델 압축 라이브러리와 Alicemind 플랫폼의 대규모 모델 스파스 훈련 기능에 통합되었습니다. PST는 수백억 개의 대형 모델 PLUG에서 모델 정확도를 저하시키지 않고 2.5배 가속할 수 있으며 원래 희소 학습에 비해 메모리 사용량을 10배 줄일 수 있습니다. 현재 Alibaba Cloud Machine Learning PAI는 풀 링크 AI 개발 서비스를 제공하고 기업을 위한 독립적이고 제어 가능한 AI 솔루션을 실현하며 기계 학습 엔지니어링의 효율성을 종합적으로 향상시키는 등 다양한 산업에서 널리 사용되고 있습니다.

논문 이름: Parameter-Efficient Sparsity for Large Language Models Fine-Tuning

논문 저자: Yuchao Li , Fuli Luo , Chuanqi Tan , Mengdi Wang , Songfang Huang , Shen Li , Junjie Bai

Paper PDF 링크:​https://arxiv.org/pdf/2205.11005.pdf​

위 내용은 정확도가 높고 리소스 소모가 적은 대규모 모델에 대한 희소 학습 방법이 발견되었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!