Flusso Gradiente Progressivo per l'Addestramento Robusto di Sparsità N:M nei Transformer

Abstract

La sparsità strutturata N:M ha attirato un notevole interesse grazie al suo overhead relativamente modesto e al miglioramento dell'efficienza. Inoltre, questa forma di sparsità è particolarmente attraente per ridurre l'impronta di memoria a causa del suo overhead di rappresentazione contenuto. Ci sono stati sforzi per sviluppare ricette di addestramento per la sparsità strutturata N:M, che si concentrano principalmente su regioni a bassa sparsità (circa 50\%). Tuttavia, le prestazioni dei modelli addestrati con questi approcci tendono a diminuire quando si confrontano con regioni ad alta sparsità (>80\%). In questo lavoro, studiamo l'efficacia delle ricette di addestramento sparse esistenti nelle regioni ad alta sparsità e sosteniamo che questi metodi non riescono a mantenere la qualità del modello allo stesso livello delle regioni a bassa sparsità. Dimostriamo che il fattore significativo che contribuisce a questa disparità è la presenza di livelli elevati di rumore indotto nelle magnitudini dei gradienti. Per mitigare questo effetto indesiderato, utilizziamo meccanismi di decadimento per limitare progressivamente il flusso dei gradienti verso gli elementi potati. Il nostro approccio migliora la qualità del modello fino al 2% e al 5% nei modelli di visione e linguaggio rispettivamente nel regime di alta sparsità. Valutiamo anche il compromesso tra l'accuratezza del modello e il costo computazionale di addestramento in termini di FLOPs. A parità di FLOPs di addestramento, il nostro metodo offre prestazioni migliori rispetto alle ricette di addestramento sparse convenzionali, mostrando un miglioramento dell'accuratezza fino al 2%. Il codice sorgente è disponibile all'indirizzo https://github.com/abhibambhaniya/progressive_gradient_flow_nm_sparsity.

English

N:M Structured sparsity has garnered significant interest as a result of relatively modest overhead and improved efficiency. Additionally, this form of sparsity holds considerable appeal for reducing the memory footprint owing to their modest representation overhead. There have been efforts to develop training recipes for N:M structured sparsity, they primarily focus on low-sparsity regions (sim50\%). Nonetheless, performance of models trained using these approaches tends to decline when confronted with high-sparsity regions (>80\%). In this work, we study the effectiveness of existing sparse training recipes at high-sparsity regions and argue that these methods fail to sustain the model quality on par with low-sparsity regions. We demonstrate that the significant factor contributing to this disparity is the presence of elevated levels of induced noise in the gradient magnitudes. To mitigate this undesirable effect, we employ decay mechanisms to progressively restrict the flow of gradients towards pruned elements. Our approach improves the model quality by up to 2% and 5% in vision and language models at high sparsity regime, respectively. We also evaluate the trade-off between model accuracy and training compute cost in terms of FLOPs. At iso-training FLOPs, our method yields better performance compared to conventional sparse training recipes, exhibiting an accuracy improvement of up to 2%. The source code is available at https://github.com/abhibambhaniya/progressive_gradient_flow_nm_sparsity.

Flusso Gradiente Progressivo per l'Addestramento Robusto di Sparsità N:M nei Transformer

Progressive Gradient Flow for Robust N:M Sparsity Training in Transformers

Abstract

Support