verl-project/verl

Additional memory optimization features

Ouverte

#144 ouverte le 27 janv. 2025

Voir sur GitHubGuide contributeur
 (6 commentaires) (3 réactions) (0 personne assignée)Python (4 440 forks)auto 404
call for contributionenhancementgood first issue

Métriques du dépôt

Stars
 (23 087 étoiles)
Métriques de merge PR
 (Merge moyen 3j 6h) (125 PRs mergées en 30 j)

Description

  • Activation offloading (see implementation here)
  • Fusing optimizer step into backward pass (see implementation here)
  • Utilize full_shard reshard_after_forward (see here). I wasn't 100% sure if I could see this already implemented in veRL.

These optimizations largely trade off decreased peak memory useage for additional compute, so may only be useful for training larger models, and in GPU-constrained settings.

Guide contributeur

Direction de recherche
Examinez les implémentations de référence pour le déchargement d'activation, la fusion de l'étape d'optimisation dans la rétropropagation et full shard reshard after forward. Déterminez lesquelles ne sont pas encore implémentées dans veRL et planifiez l'intégration.
Stack technique
pythonpytorch
Domaine
backendai
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Une demi journée
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Plutôt claire
Prérequis
PythonPyTorch
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
30