文章预览
本文为GaLore的改进版, 能够减少SVD操作，并通过量化进一步降低内存。主要包括：1）动态调整子空间投影变换的频率；2）量化子空间参数。 ICML 2024 Oral || GaLore: 大模型加速优化新策略 基本信息和摘要 论文题目 Q-GaLore: Quantized GaLore with INT4 Projection and Layer-Adaptive Low-Rank Gradients Arxiv: https://arxiv.org/pdf/2407.08296 Code: https://github.com/VITA-Group/Q-GaLore 作者 Zhenyu Zhang, Ajay Jaiswal, Lu Yin, Shiwei Liu, Jiawei Zhao, Yuandong Tian, Zhangyang Wang 研究单位 1. University of Texas at Austin 2. University of Surrey 3. University of Oxford 4. California Institute of Technology 5. Meta AI 解决问题 GaLore通过SVD实现全参数低秩梯度更新，成为了一个显著的候选方法。该方法将LLaMA模型总训练内存需求减少了高达63.3%，使得仅需24GB内存即可训练7B模型。在GaLore基础上，进一步 提高大模型内存使用效率 。 Q-GaLore的 核心改动
………………………………
