高階顯卡也能訓練模型，AI 研究人員提出「GaLore」減少記憶體用量

隨著大型語言模型的規模越來越大，若對所有模型參數進行訓練，成本勢必非常高昂，研究人員設法減少記憶體使用量，其中新方法 GaLore（Gradient Low-Rank Projection）可讓訓練過程更省記憶體，甚至用家中電腦搭配高階顯示卡就能訓練。

訓練大型語言模型為運算基礎設施帶來無法忽視的記憶體挑戰，主要是因權重大小和優化器（optimizer）狀態不斷增加。常見記憶體減少方法，例如微軟研究團隊所提出 LoRA（Low-Rank Adaptation），概念是凍結原本預訓練模型權重，減少訓練參數量和優化器狀態，也能達到很好的微調（fine-tuning）效果。

不過，LoRA 通常在預訓練和微調階段表現不佳，因為它將參數搜尋限制在 low-rank subspace 並改變訓練動態，性能通常比原本訓練方法差。

日前發表的《GaLore: Memory-Efficient LLM Training by Gradient Low-Rank Projection》新論文，研究人員提出 GaLore 是一種新的模型訓練策略，可讓模型使用全部參數進行學習，同時比 LoRA 更省記憶體。

GaLore 在優化器狀態下將記憶體使用量減少多達 65.5%，同時在 LLaMA 1B 和 7B 架構下使用最多 19.7B token 的 C4 資料組進行預訓練，依然保持良好性能，及在 GLUE 任務上微調 RoBERTa 的效率和性能。與 BF16 基準相比，8 位元的 GaLore 進一步減少優化器記憶體多達 82.5%，總訓練記憶體則減少 63.3%。

GaLore 還有一大優點，是讓原本只能用在大型伺服器上的大型語言模型，透過家用電腦的高階顯示卡（例如 NVIDIA RTX 4090）也能進行訓練，研究人員首次證明在具有 24GB 記憶體的 GPU 預訓練 7B 參數模型是可行的。

（首圖來源：NVIDIA GeForce）