GaLore（梯度低秩投影技术）实现全量微调（Full Fine-tuning），突破大模型训练内存瓶颈
全量微调（Full Fine-tuning）是指在模型训练或微调过程中，对所有参数进行更新调整，而非仅对部分参数进行优化。这与参数效率微调（Parameter-Efficient Fine-Tuning, PEFT）方法如LoRA（低秩适应）形成鲜明对比，后者仅调整或优化模型参数的一个子集，从而降低计算开销。
GaLore通过其创新的梯度低秩投影（Gradient Low-Rank Projection）技术，使得即使在内存资源严重受限的情况下，依然能够高效完成大规模模型的全量微调。该技术能够识别训练过程中梯度呈现的低秩结构，并利用这一特性对梯度进行压缩，从而大幅降低存储梯度所需的内存占用。这意味着，即便是参数规模极其庞大的模型，GaLore也能在普通的消费级硬件上实现全量微调，而无需牺牲模型性能或额外增加计算资源开销。
GaLore提供了一种在资源受限环境下实现大语言模型（LLM）全量微调的高效方案，打破了传统上对高端硬件的依赖。实际应用中，GaLore可在消费级GPU上完成7B规模语言模型的预训练与全面微调：
下面我们来对比一下不同配置下的性能表现：
GaLore引入了以下额外超参数：
秩 Rank r：与LoRA类似，秩越高，内存消耗越大，但模型性能也可能随之提升。如上图所示，秩为1,024时的结果明显优于秩为512时的结果。需要注意的是，GaLore的秩通常高于LoRA的秩。经验表明，128是最低可行的秩。
比例因子 Scale factor α：该参数用于调节低秩更新的强度，与LoRA中的比例因子类似。根据原作者的描述，GaLore对α的变化具有很强的鲁棒性，取值在0.2到2.0之间通常能取得不错的效果。
子空间变化频率 Frequency of subspace change T：虽然T的理想取值会随训练时长和任务复杂度而变化，但将T设置在50到1000之间对最终结果的影响最小，可放心选用。
下面通过五次对比实验，逐一验证不同超参数配置下的实际表现。
实验一：
BS=128；学习率=1e-5；优化器：galore_adamw_8bit_layerwise，秩=512
使用GA-LoRA，在单张H100显卡上对Mistral-7B进行全量微调（可训练参数总数 = 7,241,732,096）。由于显存充足，可将批量大小（BS）从8增加到128：
ds = load_dataset("timdettmers/openassistant-guanaco")
训练过程中H100的资源开销情况如下（若BS=8，显存占用约23GB）：
从损失函数曲线来看，训练效果显然不理想。
实验二：
BS=64；学习率=2e-5；优化器：galore_adamw_8bit_layerwise，秩=512
将学习率提高一倍，同时将批量大小减半：
效果有所改善，但依然不够理想。
实验三：
BS=128；学习率=1e-5；优化器：galore_adamw_8bit；秩=512
当使用“galore_adamw_8bit_layerwise”配置进行训练时，模型似乎并未学到有效特征，训练损失没有显著下降，验证损失也几乎没有变化。实际上，针对优化器“optim”，GaLore提供了多种基于AdamW的“增强”选项：
galore_adamw：标准GaLore，参数采用float32精度。不过，该版本对于消费级硬件而言内存消耗仍然偏高。
galore_adamw_8bit（BS=8）：此版本将优化器状态参数量化为8位。用于微调Mistral 7B模型时，该配置需要约35 GB的GPU显存；若使用更低的秩（如128），显存需求可降至约30 GB。
galore_adamw_8bit_layerwise（BS=8）：与galore_adamw_8bit功能相同，但采用分层更新的方式。此配置仅消耗22.5 GB显存，使得在24 GB的消费级GPU上运行成为可能。
关于超参数“optim_args”，上述实验中我们选择的秩为512。GaLore的作者指出，对于7B规模的模型，采用秩1,024能取得更优的结果，但该配置在不降低批量大小的情况下无法适配24 GB的GPU显存。值得注意的是，GaLore当前的实现尚不支持梯度累积步骤。
我们将“update_proj_gap”设置为200，未尝试其他取值；作者提到50到1,000之间的任何取值均可正常工作。同时将alpha设置为1.8，尽管0.25到2之间的其他取值也同样有效，这表明GaLore对超参数变化具有较好的鲁棒性。
最后，与LoRA类似，我们需要指定应用GaLore的模块。通过“optim_target_modules”来实现。为了尽可能降低内存消耗，应尽量针对大多数模块进行设置。对于Mistral 7B这样的模型，目标应覆盖所有自注意力（Self-Attention）和MLP模块。然而，GaLore只能作用于PyTorch的nn.Linear层。对于Mistral 7B，可以通过设置正则表达式[r"attn.", r"mlp."]来匹配兼容层。所有基于Llama 2架构的模型均可采用相同的配置。
更换优化器后，GPU显存利用率在相同配置下（BS=128）比更换前有所提升。训练效果也显著优于之前，达到了理想状态。
实验四：
BS=128；学习率=1e-5；优化器：galore_adamw_8bit，秩=1024
接下来，在保持BS=128且优化器为galore_adamw_8bit的前提下，将秩从512提升至1024。训练过程中，GPU显存利用率飙升至87 GB，但并未出现OOM（显存溢出），充分体现了大显存容量的优势。从训练结果来看，相比实验三，效果更为理想：损失函数在Step 50时直接降至0.825400，并在Step 100时进一步降低到0.71。
上图显示，随着训练进行，损失函数正常下降，但验证损失（Validation Loss）却出现上升，这提示模型产生了过拟合。因此，我们进行下一个实验以缓解该问题。
实验五：
针对实验四出现的过拟合情况，降低学习率，增加 weight_decay 和 warmup_ratio
BS=128；学习率=1e-6；优化器：galore_adamw，秩=1024
weight_decay=0.05，warmup_ratio=0.2
查看训练结果，过拟合问题已得到有效解决：