关于人工智能:Optimum-ONNX-Runtime-更容易更快地训练你的-Hugging-Face-模型

4次阅读

共计 3942 个字符，预计需要花费 10 分钟才能阅读完成。

基于语言、视觉和语音的 Transformer 模型越来越大，以反对终端用户简单的多模态用例。减少模型大小间接影响训练这些模型所需的资源，并随着模型大小的减少而扩大它们。Hugging Face 和微软的 ONNX Runtime 团队正在一起致力，在微调大型语言、语音和视觉模型方面获得提高。Hugging Face 的 🤗 Optimum 库，通过和 ONNX Runtime 的集成进行训练，为许多风行的 Hugging Face 模型提供了一个凋谢的解决方案， 能够将训练工夫缩短 35% 或更多 。咱们展示了 Hugging Face Optimum 和 ONNX Runtime Training 生态系统的细节，性能数据突出了应用 Optimum 库的益处。

上面的图表表明，当 应用 ONNX Runtime 和 DeepSpeed ZeRO Stage 1 进行训练时，用 Optimum 的 Hugging Face 模型的减速 从 39% 进步到 130%。性能测试的基准运行是在选定的 Hugging Face PyTorch 模型上进行的，第二次运行是只用 ONNX Runtime 训练，最初一次运行是 ONNX Runtime + DeepSpeed ZeRO Stage 1，图中显示了最大的收益。基线 PyTorch 运行所用的优化器是 AdamW Optimizer，ORT 训练用的优化器是 Fused Adam Optimizer。这些运行是在带有 8 个 GPU 的单个 NVIDIA A100 节点上执行的。

更多对于开启 🤗 Optimum 进行训练减速的配置细节能够在指南中找到。用于这些运行的版本信息如下:

PyTorch: 1.14.0.dev20221103+cu116; ORT: 1.14.0.dev20221103001+cu116; DeepSpeed: 0.6.6; HuggingFace: 4.24.0.dev0; Optimum: 1.4.1.dev0; Cuda: 11.6.2

Hugging Face 是一个疾速倒退的凋谢社区和平台，旨在将优良的机器学习大众化。随着 🤗 Transformers 库的胜利，咱们将模态从 NLP 扩大到音频和视觉，当初涵盖了跨机器学习的用例，以满足咱们社区的需要。当初在 Hugging Face Hub 上，有超过 12 万个收费和可拜访的模型 checkpoints 用于各种机器学习工作，1.8 万个数据集和 2 万个机器学习演示利用。然而，将 Transformer 模型扩大到生产中依然是工业界的一个挑战。只管准确性很高，但基于 Transformer 的模型的训练和推理可能耗时且低廉。

为了满足这些需要，Hugging Face 构建了两个开源库: 🤗 Accelerate 和 🤗 Optimum。🤗 Accelerate 专一于开箱即用的分布式训练，而 🤗 Optimum 作为 Transformer 的扩大，通过利用用户指标硬件的最大效率来减速模型训练和推理。Optimum 集成了机器学习加速器如 ONNX Runtime，和业余的硬件如英特尔的 Habana Gaudi，因而用户能够从训练和推理的显著减速中受害。此外，🤗 Optimum 无缝集成了其余 Hugging Face 的工具，同时继承了 Transformer 的易用性。开发人员能够轻松地调整他们的工作，以更少的计算能力实现更低的提早。

ONNX Runtime 减速大型模型训练，独自应用时将吞吐量进步 40%，与 DeepSpeed 组合后将吞吐量进步 130%，用于风行的基于 Hugging Face Transformer 的模型。ONNX Runtime 曾经集成为 🤗 Optimum 的一部分，并通过 Hugging Face 的 🤗 Optimum 训练框架实现更快的训练。

ONNX Runtime Training 通过一些内存和计算优化实现了这样的吞吐量改良。内存优化使 ONNX Runtime 可能最大化批大小并无效利用可用的内存，而计算优化则放慢了训练工夫。这些优化包含但不限于，高效的内存布局，内核优化，实用于 Adam 优化器的多张量利用 (将利用于所有模型参数的按元素更新分批到一个或几个内核启动中)，FP16 优化器 (打消了大量用于主机内存拷贝的设施)，混合精度训练和图优化，如节点交融和节点打消。ONNX Runtime Training 反对 NVIDIA 和 AMD GPU，并提供自定义操作的可扩展性。

简而言之，它使 AI 开发人员可能充分利用他们相熟的生态系统，如 PyTorch 和 Hugging Face，并在他们抉择的指标设施上应用 ONNX Runtime 进行减速，以节省时间和资源。

Optimum 提供了一个 ORTTrainer API，它扩大了 Transformer 中的 Trainer，以应用 ONNX Runtime 作为后端进行减速。ORTTrainer 是一个易于应用的 API，蕴含残缺的训练循环和评估循环。它反对像超参数搜寻、混合精度训练和多 GPU 分布式训练等性能。ORTTrainer 使 AI 开发人员在训练 Transformer 模型时可能组合 ONNX Runtime 和其余第三方减速技术，这有助于进一步减速训练，并充分发挥硬件的作用。例如，开发人员能够将 ONNX Runtime Training 与 Transformer 训练器中集成的分布式数据并行和混合精度训练相结合。此外，ORTTrainer 使你能够轻松地将 DeepSpeed ZeRO-1 和 ONNX Runtime Training 组合，通过对优化器状态进行分区来节俭内存。在实现预训练或微调后，开发人员能够保留已训练的 PyTorch 模型，或应用 🤗 Optimum 实现的 API 将其转为 ONNX 格局，以简化推理的部署。和 Trainer 一样，ORTTrainer 与 Hugging Face Hub 齐全集成: 训练完结后，用户能够将他们的模型 checkpoints 上传到 Hugging Face Hub 账户。

因而具体来说，用户应该如何利用 ONNX Runtime 减速进行训练？如果你曾经在应用 Trainer，你只须要批改几行代码就能够从下面提到的所有改良中受害。次要有两个替换须要利用。首先，将 Trainer 替换为 ORTTrainer，而后将 TrainingArguments 替换为 ORTTrainingArguments，其中蕴含训练器将用于训练和评估的所有超参数。ORTTrainingArguments 扩大了 TrainingArguments，以利用 ONNX Runtime 受权的一些额定参数。例如，用户能够应用 Fused Adam 优化器来取得额定的性能收益。上面是一个例子:

-from transformers import Trainer, TrainingArguments
+from optimum.onnxruntime import ORTTrainer, ORTTrainingArguments

# Step 1: Define training arguments
-training_args = TrainingArguments(
+training_args = ORTTrainingArguments(
    output_dir="path/to/save/folder/",
-   optim = "adamw_hf",
+   optim = "adamw_ort_fused",
    ...
)

# Step 2: Create your ONNX Runtime Trainer
-trainer = Trainer(
+trainer = ORTTrainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
+   feature="sequence-classification",
    ...
)

# Step 3: Use ONNX Runtime for training!🤗
trainer.train()

Hugging Face 团队正在开源更多的大型模型，并通过训练和推理的减速工具以升高用户从模型中获益的门槛。咱们正在与 ONNX Runtime Training 团队单干，为更新和更大的模型架构带来更多的训练优化，包含 Whisper 和 Stable Diffusion。微软还将其最先进的训练减速技术打包在 PyTorch 的 Azure 容器中。这是一个轻量级的精心营造的环境，包含 DeepSpeed 和 ONNX Runtime，以进步 AI 开发者应用 PyTorch 训练的生产力。除了大型模型训练外，ONNX Runtime Training 团队还在为边缘学习构建新的解决方案——在内存和电源受限的设施上进行训练。

咱们邀请你查看上面的链接，以理解更多对于 Hugging Face 模型的 Optimum ONNX Runtime Training，并开始应用。

Optimum ONNX Runtime Training 文档
Optimum ONNX Runtime Training 示例
Optimum Github 仓库
ONNX Runtime Training 示例
ONNX Runtime Training Github 仓库
ONNX Runtime
DeepSpeed 和 ZeRO 教程
PyTorch 的 Azure 容器

感激浏览！如果你有任何问题，请通过 Github 或论坛随时分割咱们。你也能够在 Twitter 或 LinkedIn 上分割我。

原文: https://hf.co/blog/optimum-onnxruntime-training

作者: Jingya、Kshama Pawar (guest)、Vincent Wang (guest)、Zhijiang Xu (guest)

译者: AIboy1993 (李旭东)

审校、排版: zhongdongy (阿东)

正文完