计算资源管理

全参数 (parameter)微调 (fine-tuning)虽然直接，但面临明显的计算难题，主要在于GPU内存占用和训练时间。更新一个拥有数十亿参数的模型的每个参数$\theta$，需要大量资源。提出了管理这些需求的实用策略，使得即使在资源受限的情况下，也能实现全参数微调。

理解资源瓶颈

微调 (fine-tuning)过程中的主要资源限制是GPU内存（VRAM）和计算时间。理解这些资源消耗在何处，是进行优化的第一步。

1. GPU内存： 所需总内存可以大致估计为以下各项所需内存的总和：

   • 模型参数 (parameter)： 模型本身的权重 (weight)（$\theta$）。通常以FP32（每个参数4字节）或FP16/BF16（每个参数2字节）存储。
   • 梯度： 在反向传播 (backpropagation)过程中为每个参数计算。通常需要与参数相同的精度。
   • 优化器状态： AdamW等优化器会为每个参数存储动量和方差估计值，这通常会使所需内存相比仅参数存储翻倍（例如，AdamW每个参数需要两个状态，通常为FP32）。
   • 激活值： 前向传播过程中计算的中间结果，需要存储以供反向传播中的梯度计算。激活值所需的内存随批次大小、序列长度和模型隐藏维度大小明显增加。这个部分通常是最大的内存消耗者，尤其是在处理长上下文 (context)时。
   • 临时缓冲区： 框架和库常会使用额外内存进行中间计算。

   该图表显示了激活值如何相比参数、梯度和优化器状态，在内存使用中占据主导地位，尤其是在典型的微调批次大小和序列长度下。

2. 计算时间： 训练时长取决于每次迭代所需的浮点运算（FLOPs）数量和总迭代次数。这受模型大小、批次大小、序列长度、数据集大小以及硬件计算吞吐量 (throughput)（GPU每秒FLOPs）的影响。

内存管理策略

由于GPU内存常是最紧张的限制，有几种技术专门用于减少VRAM使用量。

梯度累积

这项技术使您能够模拟一个比GPU内存单次前向/反向传播 (backpropagation)能够实际容纳的批次更大的有效批次大小。并非在处理每个小“微批次”后就更新模型权重 (weight)，而是将多个微批次的梯度进行累积。只有在处理完指定数量的微批次后，才会执行优化器步骤（更新模型权重$\theta$）并清除梯度。

• 机制：

  1. 使用一个微批次进行前向传播。
  2. 执行反向传播，计算该微批次的梯度。
  3. 不执行optimizer.step()，而是将计算出的梯度添加到累加缓冲区。暂不调用optimizer.zero_grad()。
  4. 重复步骤1-3，直至达到预设的accumulation_steps次数。
  5. 在累积完accumulation_steps个微批次后，使用累积的梯度执行optimizer.step()。
  6. 此时，调用optimizer.zero_grad()以清除梯度，准备下一次累积循环。

• 优点： 达到更大批次大小的梯度统计效果（例如，有效批次大小 = micro_batch_size * accumulation_steps），而只需单个微批次激活值所需的内存。

• 代价： 增加了每个有效训练步所需的时间，因为在每次权重更新前，它涉及多次顺序的前向/反向传播。

激活检查点（梯度检查点）

前向传播过程中存储的激活值会消耗大量内存。激活检查点以计算时间换取内存节省。并非存储指定层（如Transformer块）的所有中间激活值，它只存储这些设置检查点的段的输入。在反向传播过程中，当需要梯度时，这些段内的激活值会即时重新计算。

• 优点： 可以大幅减少内存使用量，特别是激活值部分，从而支持更大的批次大小或更长的序列长度。
• 代价： 增加了训练时间，因为在反向传播过程中需要重新计算（通常会增加约20-30%的计算时间，但这高度取决于模型架构和检查点策略）。
• 实现： 现代深度学习 (deep learning)框架为此提供了工具（例如，PyTorch中的torch.utils.checkpoint.checkpoint）。您通常使用检查点函数封装特定模块（如Transformer层）。

混合精度训练（AMP）

这涉及使用较低精度浮点格式进行部分计算，主要指16位格式，如FP16（半精度）或BF16（bfloat16），而非标准的32位（FP32）。

• 机制：
  • 模型权重、激活值和梯度以16位格式存储或计算。这使得这些组件所需的内存相比FP32减半。
  • 某些操作，如归约（跨批次求和梯度），为了数值稳定性可能仍以FP32执行。
  • 损失缩放： 使用FP16时，小的梯度值可能变为零（“下溢”）。动态损失缩放通过在反向传播前将损失值乘以一个大缩放因子，将梯度移入FP16可表示的范围。然后在优化器步骤前将梯度缩回。BF16通常比FP16具有更好的动态范围，且通常不需要损失缩放。
• 优点： 大幅减少内存占用（参数 (parameter)、梯度、激活值）并加快计算速度，尤其是在具有为低精度数学设计的专用Tensor Core的GPU上。
• 代价： 有时可能导致轻微的不稳定性或需要仔细的超参数 (hyperparameter)调整。FP16需要管理损失缩放。BF16支持通常在较新的GPU（Ampere架构及后续）上可用。
• 实现： PyTorch（torch.cuda.amp）和TensorFlow等框架提供自动混合精度（AMP）工具，以最少的代码改动处理类型转换和损失缩放。

优化器选择

虽然AdamW是标准选择，但由于它为每个参数存储两个状态（动量、方差），通常是FP32格式，因此其内存占用相当大。存在替代方案：

• 8位优化器： bitsandbytes等库提供了AdamW等优化器的8位实现。它们对优化器状态进行量化 (quantization)，大幅减少其内存占用，通常对收敛影响极小。这常与QLoRA（稍后讲解）结合使用，但也可应用于全参数微调 (fine-tuning)。
• Adafactor： 一种比AdamW使用更少内存的优化器，通过分解二阶矩估计或仅存储滚动平均值实现，尽管其收敛特性可能有所不同。

计算时间管理

虽然内存常是第一个瓶颈，但计算时间也是一个主要因素。

• 硬件加速： 使用具有高FLOPs和足够内存带宽的现代GPU是减少训练时间最直接的方式。
• 混合精度训练： 如前所述，AMP也能在兼容硬件上加速计算。
• 分布式训练： 对于单GPU训练不可行或速度过慢的超大模型或数据集，会采用分布式训练策略。这涉及使用多个GPU（甚至多台机器）来并行化工作负载。常见策略包括：
  • 数据并行（DP）： 在每个GPU上复制模型，在每个GPU上处理不同的数据批次，并同步梯度。实现简单，但每个GPU的内存没有减少。
  • 张量并行（TP）： 将单个模型层（例如，权重 (weight)矩阵）分割到多个GPU上。减少了每个GPU的内存，但需要高GPU间带宽。
  • 流水线并行（PP）： 将模型层顺序地划分到多个GPU上，形成流水线。可以减少每个GPU的内存，但会引入流水线气泡（空闲时间）。
  • 这些技术较为复杂，常需要专用库（例如，DeepSpeed、PyTorch FSDP、Megatron-LM）。它们将在第7章中更详细地讲解。

实际实现与监控

有效管理资源需要结合这些技术并监控其效果。

• 使用库： Hugging Face的Accelerate等库简化了梯度累积、混合精度和分布式训练在各种硬件配置（单GPU、多GPU、TPU）上的应用设置。
• 监控资源： 定期检查GPU内存使用量（例如，使用终端中的nvidia-smi或框架特定的内存分析工具）和训练吞吐量 (throughput)（每秒样本数）。这有助于找出瓶颈并调整batch_size、gradient_accumulation_steps等参数 (parameter)，并确定是否需要激活检查点。
• 试验： 技术的最佳组合高度取决于具体的LLM架构、您的硬件（GPU类型、VRAM、互连）以及目标数据集的特点（序列长度）。从AMP和梯度累积开始，如果内存限制仍然超出，则引入激活检查点或考虑其他优化器选择。

通过策略性地应用这些资源管理技术，您可以使全参数微调 (fine-tuning)这一计算要求较高的过程更易于处理，使得即使面对硬件限制也能调整大型模型。请记住，大多数技术都涉及权衡，通常是牺牲增加的计算时间以换取减少的内存使用，这需要根据您的具体限制和目标进行仔细考量。