在初創(chuàng)公司甚至VC都在瘋狂囤積GPU的狂熱年代，干一件事比囤GPU更有價值——搞明白如何高效地使用它們。

直到Eleuther AI的出現(xiàn)。

(相關資料圖)

四月，Eleuther AI團隊發(fā)布博文《Transformers Math 101》，介紹如何運用簡單算式估計大模型的算力成本，大大消除了該領域的信息不對稱，在圈內(nèi)圈外廣泛傳播，成為該領域最具權威性的博文之一。公式如下：

C ＝ τT?≈?6PD

該公式的原理如下：

C=Cforward+Cbackward：表示訓練過程中的前后向傳播；?Cforward?≈?2PD：前向傳播計算成本約等于兩倍的參數(shù)量乘以數(shù)據(jù)規(guī)模；Cbackrward?≈?4PD：反向傳播計算成本約等于四倍的參數(shù)量乘以數(shù)據(jù)規(guī)模；

8月17日，Eleuther AI首席工程師、《Transformers Math 101》的主要作者Quentin Anthony博士，同風險投資公司Decibel Partners 的合伙人兼首席技術官Alessio、Latent Space主理人Swyx進行了一場深度交流，

雙方圍繞Transformer模型算力評估、混合精度訓練、3D并行、INT8量化、分布式挑戰(zhàn)等NLP前沿話題展開了深度討論，文章干貨很足，相信對想了解Transformer成本、大模型優(yōu)化技術等方面的朋友一定大有裨益。

以下為全文內(nèi)容，大家enjoy~???

（由ChatGPT翻譯，經(jīng)略微修改）

Quentin：

聊到撰寫《Transformer Math 101》一文的動機，就不得不提到我經(jīng)常會在深度學習訓練領域看到一些推特帖子，比如Hugging Face的Stas Bekman，他會發(fā)布一些推文，說什么他們剛剛發(fā)現(xiàn)了一個神奇數(shù)字，一切都變得快了20%等等。

他們非常興奮，但實際上并不真正了解發(fā)生了什么。對我們來說，我們經(jīng)常發(fā)現(xiàn)很多人可能了解AI訓練或推理的理論或基本原理，但沒有人真正了解像在自己的機器上如何正確運行分布在兩個GPU上的推理之類的細節(jié)。

而我們，在Eleuther內(nèi)部積累了很多筆記，并在工程師之間共享，我們認為，這可能會幫助很多其他人。

這可能不適合寫論文，但對于博客文章或技術報告來說，這可能確實能夠從已有的硬件中擠出更多性能。

因此，我們在Eleuther有很多經(jīng)驗，我們試圖以一種大公司們不會采取的方式將其與人們分享。

Swyx：

是的，這是很少有人會真正干的事情。首先，寫下來需要額外的工作。其次，這是一種商業(yè)機密，因此很少有人這樣做。

因此，通常了解這些內(nèi)容的唯一方法就是實際在大型模型實驗室中工作。而你們，做了很多特別的事情。我唯一能想到的其他另一個情況是Facebook的OPT。還有什么類似的項目，可以共享交流經(jīng)驗，但不是正式的研究知識呢？

Quentin：

我會說是Bloom。比如Hugging Face的Bloom項目在大科學領域等方面，這種開放程度非常高。

我覺得，OPT和Bloom的級別相同，甚至更詳細。

除此之外，我想微軟有一個有關他們的Turing NLG的文檔。他們的文章讀起來非常輕松，也確實談到了工作中的一些挑戰(zhàn)。除了OPT, Bloom和我們，我想不出其他的了。這是一個新事物。

Swyx：

重要的是，你們正追求足夠好的經(jīng)驗法則。我認為，很多人試圖追求精確，但過于精確實際上并不有幫助。

Quentin：

是的，你會在博客文章中看到一些類似表述。你知道，我們不會進一步詳細討論每個小的內(nèi)存部分，錙銖必較的話可能需要額外的一個月。但是，得到足夠好的結(jié)果對人們?nèi)匀挥袔椭?/p>

Alessio：

聊回您在《Transformer Math 101》一文中給出的估計方程，這里的核心方程式不是計算成本，而是轉(zhuǎn)化Transformer模型所需的計算，大約等于τ乘以T，其中τ是吞吐量，單位為FLOPT表示訓練時間，然后T是花費的時間。

我認為人們可以很容易地想象這一點。基本上是你有多少個GPU，你讓它們運行多長時間。

之前在Chinchilla論文和OpenAI的規(guī)模定律中，有類似的內(nèi)容，你在博文中也提到了這一點。

現(xiàn)在，人們在構(gòu)建模型時應該如何考慮這個問題？當他們開始考慮訓練自己的基于Transformer 的模型時，他們應該從哪里找到這個方程？

Quentin：

人們通常從數(shù)據(jù)集開始，你有一些數(shù)據(jù)集，然后你想在基于此訓練一個模型。

讓我們開始逐步思考，一開始，從6PD的角度來看，每個參數(shù)大約有6個令牌與之對應。因此，這決定了我的模型大小，以此為Chinchilla Optimal。

從那時起，我們發(fā)現(xiàn)為了獲得良好的質(zhì)量模型，需要更多的令牌，可能會超過20個。

但從系統(tǒng)的角度來看，你們應該考慮的下一個問題是，這個模型需要多長時間來訓練？我應該有什么樣的預算？

假設我需要一些云實例，持續(xù)一段時間，每個實例都有一個附加的價格。這就是吞吐量的用武之地。

現(xiàn)在，你有了這個模型，這個參數(shù)數(shù)量，你應該將它映射到一個Transformer架構(gòu)，并在該模型類型的軟件棧上基準測試你的吞吐量，接著你可以在單個GPU上實現(xiàn)每秒的FLOPS。

然后根據(jù)并行性方案（我相信我們會詳細討論的，例如數(shù)據(jù)并行性或張量并行性等），這個FLOPS數(shù)將如何擴展到不同數(shù)量的GPU？

從這里，你將得到一個時間。進而，得到了時間，就能算出成本。

簡而言之，這就是答案。

Alessio：

我注意到另一件事，你提到一些這些定律，只在1個小時內(nèi)使用1000 GPU的成本與1個GPU運行1000小時的成本相同才成立。

考慮目前我們?nèi)狈Υ罅縂PU的實際情況，在這方面，對于人們?nèi)绾蝺?yōu)先考慮這一點，你有什么想法嗎？

我會說，首先應該找出剛好能容納你的模型的最小GPU數(shù)量。

如果您在訓練一個相當大的模型，內(nèi)存瓶頸是你最大的問題。如果只在訓練一個小模型，那沒人會在意。

大多數(shù)人關心的模型，都需要分配到多個GPU上。因此，找到適合你的模型的一個實例的最小gpu數(shù)量，然后計算需要多長時間。如果是時間合理，那么你完成了。如果時間太長，那么你就需要開始考慮使用多個模型實例。

我總是覺得，人們應該選擇最小數(shù)量的GPU。你擁有的GPU數(shù)量越多，出現(xiàn)問題的可能性就越大。

所以我會說，只要找出什么時間對你來說是合理的，然后將gpu的數(shù)量與之匹配，而不需更多。

人們往往會變得貪婪，他們會說，如果我有兩倍的GPU，我可以在半個時間內(nèi)完成這項工作。但事實上，最終可能花了三倍時間，因為每天都會出現(xiàn)各種問題。那時，可能需要痛苦地在午夜時分起床，加班加點搶修你的模型。

Swyx：

你們會不會有一個類似的開源框架，來幫助gpu線性擴展？還是說，這么想過于簡單化了？

Quentin：

Mosaic和我們都有一種可以理論上良好擴展的軟件堆棧配置，一會我會詳細討論。

Mosaic完全基于優(yōu)化器分片。它基于ZeRO。因此，你完全將模型優(yōu)化器、參數(shù)和梯度分布在所有不同的GPU上。你的聚合內(nèi)存就是參數(shù)數(shù)目除以GPU數(shù)目。優(yōu)化器和其他內(nèi)容也是一樣。

而我們在Eleuther使用了Megatron DeepSpeed的庫，會更加復雜。因此，效率可能會更高，但也更容易出現(xiàn)故障。

在這兩種情況下，回到實際情況，通過增加更多的GPU應該能夠獲得線性加速。但問題是會出現(xiàn)硬件故障。

如果有太多的GPU，你可能會有問題，例如損失會溢出，或者一個GPU掛掉，你就可能碰到軟件問題、同步問題等。

這就是我為什么說，實際上你應該選取你擁有的最小GPU數(shù)量，因為這些情況更容易調(diào)試。

Alessio：

另一件事情是，電腦就像在前向和后向傳遞，前向是2PD，后向是4PD。為什么兩者之間的比率是如此？你能解釋一下嗎？為什么是兩倍的數(shù)量？

Quentin：

簡單來說，對于前向傳播，您只是在移動，您正在通過該層向前傳播輸入。

而在后向傳播中，你要做的事情比這更復雜一些。你正在做反向傳播。我認為我無法足夠直觀地解釋它，需要數(shù)字上進一步深入探討。

Swyx：

實際上，反向傳播的速度很低。老實說，這是我喜歡深度學習數(shù)學的最基本的原因之一，與大學微積分中遇到的其他數(shù)值方法相比，深度學習的數(shù)學令人驚訝地高效。

Alessio：

我認為另一件事是，事情聽起來很簡單，你知道，當人們在Twitter上說，哦，20是最優(yōu)的比率，然后就是，好吧，為什么是那個數(shù)字呢？

答案通常要困難得多，就像我們現(xiàn)在看到的。所以我認為這是一個很好的提醒，數(shù)字聽起來簡單，就像所有最好和最受歡迎的數(shù)學方程一樣，非常優(yōu)雅。不過，顯然，背后的證明并不那么容易。

Swyx：

我想稍微測試一下這個方程。我們可以從GPT-3的角度或GPT-NeoX的角度來做。你有實際浮點運算和理論浮點運算之間的區(qū)別。

很多時候，當人們報告訓練一個模型所需的浮點運算量時，就像我們剛剛在Lama 2中看到的那樣，估算的數(shù)值就是浮點運算量。

比如，GPT-3需要3.14 x 10的23次浮點運算。這是理論浮點運算。我想弄清楚一個數(shù)值是否經(jīng)得起推敲。

我想知道如何做到這一點，因為我應該能夠?qū)⑦@個方程代入其中，對吧？我知道GPT-3是基于3000億tokens進行訓練的。

我知道模型的參數(shù)大小是175。是不是只要計算一下6 x 175 x 300就行了？

Quentin：

理論浮點運算通常是根據(jù)給定的硬件配置得出的，這是你預計硬件可以實現(xiàn)的。

但問題在于，實際上，我們通常會有一些閑置時間，例如等待從GPU到CPU的數(shù)據(jù)傳輸，或者等待跨不同GPU之間的同步。所以訓練時候你會花掉很多空閑時間。

Swyx：

聞起來怎么樣。（注：效果如何？）

Quentin：

我不確定我是否有一個自己的"聞起來怎么樣"的標準，

坦白說，也許我會查看像在A100上期望的一些浮點運算量。

事實上，在某種程度上，對于給定的GPU類型，每個人都知道可以期望多少浮點運算量。

例如，對于A100來說，這個數(shù)值大約在100到180之間。對于較舊的GPU類型V100，這個數(shù)值可能在30到40之間。

人們通常會根據(jù)運行深度學習的內(nèi)核來確定應該期望的浮點運算量。然后，將這個與人們報告的理論浮點運算量進行比較，看是否與你的預期相符。

Alessio：

在文章中，你提到對于A100來說，如果你的浮點運算量低于115 TeraFLOPS/秒，那么你的模型或硬件有問題。

你是怎么得出這個115的？是不是根據(jù)實際觀察和經(jīng)驗，你在過去的幾個月里見到的平均水平？你是怎么得出這些數(shù)字的？

Quentin：

對于這個數(shù)字，基本上，我們比較了很多不同的框架。就像我之前提到的，Mosaic有他們自己的框架，我們也有自己的框架。它們都有自己的浮點運算計數(shù)器。

我們看到，在許多不同的硬件配置上，如果你正確調(diào)整設置，你應該在幾乎所有情況下都能得到超過115的浮點運算量。

所以，如果某個數(shù)值低于115，那么你的軟件肯定有問題。但這實際上就是比較不同的軟件堆棧和硬件系統(tǒng)。

Alessio：

不同的GPU有什么不同嗎？

上周，我們邀請了George Hotz，他談到了AMD顯卡，以及理論上他們的浮點運算要比一些Nvidia顯卡好得多，但實際上，CUDA運行時會彌補這一差距。

人們應該如何考慮這一點？你知道，像A100的浮點運算量達到115 TeraFLOPS。我是否應該堅持使用它？

Quentin：

這涉及到開發(fā)者的時間，哪個更昂貴，歸根結(jié)底，AMD和Rockham的軟件堆棧還有很長的路要走。

我會說，大多數(shù)東西都可以在那里運行，但效率不高，而且你可能會遇到以前沒有遇到過的奇怪錯誤。

選擇使用Nvidia和PyTorch的軟件堆棧的一個重要優(yōu)點是，有成千上萬個GitHub問題與你面臨的相同問題，而且，以開源方式快速解決這些問題，這可能是目前選擇Nvidia軟件堆棧的最大優(yōu)勢。

AMD的硬件與Nvidia相當，但軟件不太一樣，而且他們在開源領域的勢頭還沒有完全發(fā)展起來。

例如，像Flash Attention這樣的功能在更多Nvidia GPU類型上的應用要比在AMD上的應用要多。等待這些最新的功能在AMD上實現(xiàn)，對很多人來說是一個障礙，但它正在發(fā)展壯大。

我現(xiàn)在正在AMD上運行很多實驗，因為它已經(jīng)進入了政府實驗室的超級計算機。所以很多實驗現(xiàn)在都在那里進行，而且我預計它會在幾年內(nèi)趕上來。

（注：一般情況下，計算機在進行浮點運算時所采用的是FP32（單精度），其中8位用于存儲整數(shù)部分，23位存儲小數(shù)部分，因此其可以存儲高精度浮點數(shù)。

因此，在顯存優(yōu)化場景下，犧牲浮點運算的精度可以降低存儲量。）

Alessio：

我們可以輪流討論一下，有很多內(nèi)容需要涵蓋，但或許我們可以從模型權重開始。

過去，我們在過去的許多討論中經(jīng)常涉及的一個主題就是精度和量化，這顯然是內(nèi)存的主要因素之一。

你在文章中提到，大多數(shù)Transformer都是混合精度，如FP16加FP32或BF16 FP32，它們可以進行轉(zhuǎn)換，而且可以進行高達INT8的量化，而不會對性能造成太大的影響。也許，我們可以解釋一下一些數(shù)學和不同精度之間的字節(jié)參數(shù)比率？

Quentin：

當我開始入行深度學習時，一切都是FP32。每個參數(shù)需要32位，即4個字節(jié)。事情相當簡單。你不需要進行任何損失縮放。

但問題是，一旦NVIDIA切換到了V100并引入了Tensor核心，F(xiàn)P32就不能提供太多的浮點運算。Tensor核心在FP16精度下執(zhí)行所有計算。

因此，如果你在FP32下進行操作，你實際上浪費了所有這些。所以一旦硬件遷移到V100，軟件就會切換到混合精度，如APEX和AMP等?；旌暇鹊囊粋€讓人意想不到的部分是，實際上在訓練時你需要更多的內(nèi)存，因為你需要一個FP16版本的權重副本和一個FP32版本的權重副本。

FP16是在Tensor核心上進行實際計算的地方。因此，你可能得到的吞吐量可能是FP32的兩倍。然后在每個步驟中，使用FP16更新FP32的副本，兩者都需要存儲在內(nèi)存中。

問題在于，F(xiàn)P16非常精確，但動態(tài)范圍不太大，

因此，如果從浮點的角度來看，你有一個非常大的尾數(shù)，但沒有太多的指數(shù)。所以BF16將更多的位數(shù)從尾數(shù)移到指數(shù)中。也就是說，你有更大的范圍和較低的精度。

這消除了許多不穩(wěn)定性問題和損失縮放等問題，對于任何熟悉調(diào)試的人來說，都知道它有多么不穩(wěn)定，尤其是在大規(guī)模訓練中。而BF16則減少了很多這種問題，但只在A100上受支持。所以你看到了硬件和軟件之間的來回變化。

每次NVIDIA引入一些新的Tensor核心或BF16支持之類的功能，軟件就會適應并開始支持它，然后訓練適應。然后你現(xiàn)在提到了Ind8等。

現(xiàn)在，我們看到一些模型已經(jīng)在FP16、FP32或其他模式下訓練，然后現(xiàn)在你想將該模型盡可能地量化為像Ind8這樣的更小的表示，同時又保持最小的損失和精度。

實際上，我們發(fā)現(xiàn)，由于深度學習是一個如此具有隨機性的問題，許多這些最后的精度位實際上并不重要，我認為這種情況將會持續(xù)下去。

Alessio：

如果你有一個量化成八位的模型，你只需要一個字節(jié)來表示每個參數(shù)。例如，在一個80GB VRAM的A100上，你可以放下700億個參數(shù)的八位模型，而你無法放下一個FP32模型，因為你需要大約280GB的內(nèi)存。這會有多大影響？

你剛剛提到剛開始時都是FP32，如果有一個帶有1TB VRAM的GPU，人們會只將內(nèi)存加載為FP32權重嗎，還是他們?nèi)匀粫Ｍ麑⑺鼈兞炕允蛊涓痈咝?？是的?/p>

Quentin：

我認為，即使你有無限的VRAM，你仍然會想要一個量化模型，只是一個更大的經(jīng)過量化的模型。

因為正如我剛剛提到的，在最后，深度學習是非常隨機的，很多時候，你可能擁有世界上所有的精度，但是當你仍然非常依賴輸入時，這些精度實際上是沒有意義的。你在很大程度上依賴于輸入的微小變化，也許更多的訓練數(shù)據(jù)樣本會更加重要。

在深度學習中，總體上，這些微小的精度并不是很重要的，重要的是整體的畫面。那個神經(jīng)元實際上在說什么？而不是它可能在想什么微小的細節(jié)。我還想提到，即使你擁有A100，實際模型的大小要比你提到的要小得多。

這是因為KV緩存。所以KV緩存在推理過程中，只在推理過程中起作用，想象一下，如果你在寫一段話，你想要在寫下一個詞之前記住之前寫過的每一個單詞。

所以什么是自回歸語言建模？它就是填充下一個詞、下一個標記。如果我說"the dog went to the"，然后我需要寫下一個詞，我可能會寫"park"之類的。在我寫下一個詞之前，我的記憶會被清除，然后我必須重新閱讀整個句子。

這就是沒有KV緩存的情況。KV緩存則是說，在推理過程中，記住我之前生成的所有內(nèi)容，以及我之前生成內(nèi)容的所有上下文。但是KV緩存的內(nèi)存開銷通常與模型的內(nèi)存開銷相當，或在某些情況下甚至更大，特別是在上下文很長的情況下。

我認為具體的計算公式大致是，哦，是類似于兩倍的層數(shù)乘以頭數(shù)乘以每個頭的維度，然后有兩個這樣的部分，一個是K，一個是V。簡要來說，大概就是這樣。

Alessio：

我知道，這是Transformer中的數(shù)學概念，不過，關于RNNs，也有一些有趣的地方，比如遠離隨著序列長度增加而增加的KV緩存，而是使用固定的序列傳遞。

我知道，人們正在研究這些方面的內(nèi)容。

Quentin：

那么，如何在不增加Transformer所需的二次注意力開銷的情況下獲得Transformer質(zhì)量？這是有趣的，我建議人們閱讀這篇論文原文。

Swyx：

我們實際上已經(jīng)和RWKV的核心成員進行了一次未發(fā)布的訪談，他們稱之為軟注意力或輕量級注意力。我忘記他們具體叫什么了，但是可以近似地表示，使其線性化而不是二次方的方法。這很棒。

Quentin：

RWKV的人員經(jīng)常出現(xiàn)在Eleuther。

他們與我們密切合作。我的貢獻是，我們所有這些關于RNNs的實驗是由不同的人完成的，這些實驗與Transformer的關系以及我們?nèi)绾螌⑵滢D(zhuǎn)化為一篇論文，以便人們不必閱讀一年前的Discord日志就能理解發(fā)生了什么。

Swyx：

很棒，現(xiàn)在，我想我們可能要花更多時間在優(yōu)化器狀態(tài)和Atom優(yōu)化器上。當你處理這些優(yōu)化器時，你的想法是什么？在處理這些優(yōu)化器時，人們應該記住什么？

Quentin：

我認為，Atom優(yōu)化器在其領域內(nèi)是出色的。這是一個比較寬泛的問題，所以讓我想一想。你有權重的副本，然后你有你的動量和方差。

用直觀的預言來解釋一下動量：比如說，你在一個峽谷，你想要到達底部。

如果你只是進行基本的隨機梯度下降，那么每一步都會是相同大小的。而如果你使用帶有動量項的Atom，那么你的步幅應該會逐漸變大，因為你可以看到，一般的趨勢是我們正在迅速地向下前進。但是，由于Atom中有所有這些額外的項，你需要更多的內(nèi)存來存儲它。

例如，與SGD相比，通常需要三倍的內(nèi)存。如果你在你的優(yōu)化器狀態(tài)中花費了所有這些內(nèi)存，那么，你如何將它分布到GPU上？

你會發(fā)現(xiàn)，在給定的GPU上，實際上比起裸計算、原始的計算能力，你更多地受限于并行性。這歸結(jié)為在將模型分割成需要在許多GPU上分割之前，你能夠?qū)⒍嗌倌Ｐ头旁趩蝹€GPU上。

然后，你會發(fā)現(xiàn)花費的時間更多地用于它們相互通信，而不是實際取得進展。所以，我們在博文中花費了很多時間來討論如何分布你的模型？所有這些不同的分布策略是什么樣的？哪些策略更有效？考慮到很多內(nèi)存都花費在了優(yōu)化器上，你如何有效地分布這個優(yōu)化器？

很多人在談論并行性時，他們談論的是模型并行性，即參數(shù)本身。實際上，在訓練時，相當大一部分的內(nèi)存實際上是花費在優(yōu)化器狀態(tài)上的。所以你想要深入探討其中的哪個部分嗎？你想要深入探討零、分片優(yōu)化器之類的嗎？

Alessio：

Quentin，你在博文中提到"Atom是神奇的"，實際上，即使對于像你這樣與底層很接近的人，有多少內(nèi)容是實際上的"神奇"，有一些東西對你來說只是教義？有一些事情是你實際上在考慮在日常工作中進行改進的嗎？

Quentin：

所以我是一個系統(tǒng)工程師，很多這些事情對我來說是神奇的，Atom對我來說是神奇的。

我認為，這就是一個深度學習模型的訓練方式。這就是下一步的計算方式。然后我說，好的，如何使其變得更快？

我會說我會看看如何通過使用第二階優(yōu)化器來改進它。因為有很多關于這方面的研究，因為它們很難分布。

但是對我來說，核心的貢獻總是來自于其他人已經(jīng)進行了一些深度學習的優(yōu)化，我需要使其運行得更快。所以我實際上無法談論為什么Atom產(chǎn)生了，除非像我剛剛提到的，使用動量的一些簡單直觀的東西。

對我來說，Atom所占用的內(nèi)存比SGD要多三倍，這一點很重要。所有這些內(nèi)存都需要找個地方存放，它需要有效地分布。

Alessio：

所以，當你把所有這些加在一起時，使用普通的Adam優(yōu)化器，每個參數(shù)需要12字節(jié)。

然后，你仍然需要在內(nèi)存中保存模型參數(shù)，就像你提到的那樣，需要同時保存FB32、FB16混合量化的兩份副本，因此有不同的精度級別。所以每個參數(shù)需要6字節(jié)，對吧？

Quentin：

再回顧一下，大多數(shù)人認為模型會變得很大，所以需要純粹的模型并行處理，比如張量并行處理。

但實際上，如果我們使用FB16，模型每個參數(shù)只需要2字節(jié)。而優(yōu)化器本身需要每個參數(shù)4字節(jié)的模型狀態(tài)、4字節(jié)的動量、4字節(jié)的方差。所以更重要的是如何高效地分割優(yōu)化器以及如何高效地存儲它。

像"bits and bytes"中的8位Adam優(yōu)化器，每個參數(shù)的優(yōu)化器狀態(tài)只需要1字節(jié)，而不是4字節(jié)之類的。這會比將純FB16模型權重量化到int8之類的方式，更有效地降低模型訓練所需的內(nèi)存開銷。

因此，對于訓練來說，優(yōu)化器內(nèi)存占用非常重要，在大多數(shù)情況下最為重要。

Alessio：

在我們深入討論Zero之前，讓我們先總結(jié)一下稍后會對參數(shù)、優(yōu)化器狀態(tài)和梯度進行分片處理?？梢院喴勔幌逻@個問題，然后我們可以討論如何在GPU上高效地加載它們。

Quentin：

所謂的參數(shù)，是參數(shù)的FP32副本。

我們在優(yōu)化器討論中將它們包括在內(nèi)。有些人不這樣做，但只是為了清楚起見，優(yōu)化器狀態(tài)每個參數(shù)需要12字節(jié)，其中有四個字節(jié)是用于FP32的權重副本。

四個字節(jié)是用于動量。我已經(jīng)解釋過為什么存儲動量很重要，但這也是每個參數(shù)。你需要存儲該參數(shù)未來的前進方向以及它在過去的前進方向。

你還需要知道，我們知道它往哪走，但是在這個峽谷上會有凹陷。

所以我們需要存儲它的方差。這些凹陷的頻率是多少？我們應該更關注動量嗎？還是這個參數(shù)在到處跳來跳去？這些都是優(yōu)化器需要存儲的重要答案，它是每個參數(shù)的。

Alessio：

我正在查看總訓練內(nèi)存。您實際上有模型內(nèi)存、優(yōu)化器內(nèi)存、梯度內(nèi)存和激活內(nèi)存。我認為，這是我們討論的最后一個問題。

所以也許簡要地向人們介紹一下，，比方說活動內(nèi)存再計算、檢查點等。

Quentin：

在激活檢查點之前，可能會變得復雜，你有模型參數(shù)，就像我之前提到的一樣，它們曾經(jīng)是FP32?，F(xiàn)在可能是BF16，或者如果是較舊的GPU，則可能是FP16。然后有優(yōu)化器。那是許多內(nèi)存所在的地方。

通常情況下，這是權重的高精度副本，通常是FP32。所以每個參數(shù)需要4字節(jié)，然后你還有一些可選項，就像我們剛剛討論過的，比如動量或方差，或者根據(jù)你的優(yōu)化器而定的其他內(nèi)容。

接著是梯度，梯度是在模型前向傳遞后得到的梯度更新。這將是你低精度權重的副本，如果你使用FP16或BF16，每個參數(shù)需要兩個字節(jié)。

所有這些都是固定的。這個開銷在訓練期間不會消失。在反向傳播梯度后，梯度可能會被清除，但優(yōu)化器狀態(tài)和模型狀態(tài)不會消失。

內(nèi)存開銷將一直存在。動態(tài)的是激活再計算和激活內(nèi)存。因此，有些人會遇到這樣的問題，模型在訓練時加載得很好。但當你實際運行第一次迭代，或者運行某個未來的迭代之類的時候，你會突然發(fā)現(xiàn)內(nèi)存不足。這是因為你實時計算的這些激活。

Alessio：

再計算是在什么時候發(fā)生的？它是如何在重新計算和存儲之間做出決策的？

Quentin：

有很多不同的方法，但我會說有幾種主要的方法。

首先，是一個非常簡單的方案。你重新計算所有的東西。你計算出的每一個激活都會被使用或拋棄，直到結(jié)束。所以在這種情況下，你非常關心內(nèi)存，但對計算關心不大。也許這會是一種情況，你必須在許多不同的GPU上分布，而且你的通信速度非常低。

然后可能是選擇性再計算。在選擇性再計算中，Megatron有一篇很好的論文，我認為我們博客文章中的圖表也是從那里來的。在這種情況下，你為每個激活做出加權決策。

對于非常大的激活張量，你決定，從內(nèi)存角度來看，是將其保存更昂貴，還是從計算角度來看，重新計算更昂貴？這是Megatron實施的智能方案。

他們使用了許多不同的啟發(fā)式方法。在這里可能沒有必要提到超長的方程式，但如果你對選擇性再計算感興趣，你應該去閱讀那篇論文。然后大多數(shù)人使用的是一個相當愚蠢的方案，包括NeoX，就是不使用所有這些啟發(fā)式方法，而是只是說，如果我的張量大于X，我就拋棄它。然后將X設置為某個固定的數(shù)字，就是這樣。

對于許多情況來說，這足夠了。

Swyx：

為什么足夠呢？

Quentin：

你不希望存儲超過X大小的張量。有些超過了這個限制，有些沒有。你不想擠壓。

你更關心的是讓某些張量盡可能地接近實際啟發(fā)式方法，而不是實際計算啟發(fā)式代碼，因為你不想花時間編寫那些啟發(fā)式代碼。

Swyx：

好的。我想這確實為我們帶來了內(nèi)存數(shù)學的一次大觀。在我們進入分布式處理、Zero等細節(jié)之前，還有什么高層次的要點嗎？

Quentin：

我想大概就是這樣了。

我要說的是，對于訓練和推斷來說，情況會大不相同。人們常常說，BF16是最好的。然而，更正確的看法是，在訓練期間，精度會更加重要。

因此，在訓練中，BF16會比在推斷中使用更久一些，因為在推斷中，模型已經(jīng)基本成型，它絕對不需要一些精度的最后幾位，因此，對于推斷來說，更容易將精度降至int8，而不是訓練。

所以，你在訓練中學到的所有東西都必須在推斷中重新學習，反之亦然。

Swyx：

還有第三類情況。你談到了訓練與推斷之間的區(qū)別。這第三類情況與微調(diào)和可能的參數(shù)高效微調(diào)方法有關。

實現(xiàn)微調(diào)的樸素方法只是進行更多的訓練。但我不知道你是否對微調(diào)有什么直覺，是否值得在這里插入。有什么直覺嗎？如果你要編寫微調(diào)的數(shù)學公式，會包含什么內(nèi)容？

Quentin：

我認為，關于微調(diào)還有很多問題沒有得到解答。

例如，我們知道訓練的縮放規(guī)律。有些人已經(jīng)做了關于微調(diào)的縮放規(guī)律。但已經(jīng)在一個領域訓練過的模型如何轉(zhuǎn)移到另一個領域進行微調(diào)，就微調(diào)大小而言，我們不清楚。

對于微調(diào)數(shù)據(jù)集，每個參數(shù)應該有多少個標記？也許我是無知的，但我覺得關于模型如何在原始訓練數(shù)據(jù)集中沒有的新能力進行微調(diào)或理解的問題，肯定會包含在未來關于微調(diào)的博客文章中。

此外，數(shù)據(jù)集轉(zhuǎn)移、學習率轉(zhuǎn)移也是我們博客感興趣的內(nèi)容之一。

Alessio：

您在這里首先提到的是ZeRO，它專注于分片優(yōu)化器。也許可以給人們解釋一下如何理解它。

Quentin：

ZeRO圍繞兩個通信操作展開。第一個是scatter。人們應該看一下我們有的ZeRO圖表。

在我談論這個問題時，論文中有一個包含參數(shù)、梯度和優(yōu)化器狀態(tài)的圖表。每個GPU將獲得自己等量的切片。

如果我們進行...有ZeRO的不同階段，但讓我們首先假設它是優(yōu)化器狀態(tài)、梯度和參數(shù)的等量切片。

在這種情況下，那將是零三，第三階段。我們通過scatter實現(xiàn)這一點。scatter的計算是，每個GPU分配1/結(jié)束的GPU數(shù)量，加上切片的偏移量，切片被分配給該GPU。現(xiàn)在，所有的GPU都有一個相等的切片，按照其排名順序。

在每個訓練步驟中，該GPU將等待所有其他切片進行通信，以便我們現(xiàn)在在該GPU上擁有整個數(shù)據(jù)。一旦我們有了整個數(shù)據(jù)，我們對其進行正向傳遞。

然后，我們使用gather將該正向傳遞分發(fā)給所有其他GPU。所以，它是scatter，具體來說是減少scatter，然后是對所有其他GPU的gather。并且您每一步都這樣做。因此，它的要點是您正在將這些狀態(tài)分片到不同的GPU上。

通過不同的階段，您將在圖表中看到，優(yōu)化器狀態(tài)占據(jù)了最大的比例，這是因為我之前提到的。我們包括FP32副本并進行原子操作。所以我們需要每個參數(shù)的4個字節(jié)，用于動量和方差。然后，零階段一，這是最常見的一個，僅為優(yōu)化器。

零階段二是優(yōu)化器加梯度。零階段三是優(yōu)化器梯度和模型參數(shù)。但歸根結(jié)底，所有這些都是圍繞著分片和來回聚合展開的。所以您從ZeRO中得到了很多通信開銷。但其中的正面部分是您可以將其中大部分的移動與計算重疊。

Alessio：

Quentin：

這更多地取決于您的互連是什么。放慢一步，所有這些GPU之間都需要同步，而且這些同步往往是累積的。

因此，如果您在速度較慢的互連上使用過多的GPU，那么您最終會花更多的時間在同步上。在哪個GPU上花費更多時間同步的這個魔法數(shù)字會因您的互連和GPU內(nèi)存的情況而異。每個GPU獲得多小的切片呢？

例如，對于Summit，我不能給出確切數(shù)字，但大約在200億參數(shù)左右。現(xiàn)在您有200億個參數(shù)，那么對于那個數(shù)量的GPU，大約需要100到200個規(guī)模。

超過這個數(shù)量，您最終只會花費更多的時間在通信上。實際的FLOPS跌破您預先設定的某個數(shù)值，將取決于您最終確定的最佳選擇。

Alessio：

那么，對我來說，這部分內(nèi)容比較難理解，所以我很高興您能解釋一下3D并行。

Quentin：

好的，首先，讓我們來看一個非常基本的維度，即數(shù)據(jù)并行。

數(shù)據(jù)并行是您有一個模型的副本。為簡單起見，假設一個副本恰好適合一個GPU。數(shù)據(jù)并行是，現(xiàn)在您有兩個GPU，所以GPU一上有一個副本，GPU二上有一個副本。兩者都執(zhí)行正向和反向傳遞，然后進行同步和平均梯度。然后這就是一個步驟。對于3D并行來說，數(shù)據(jù)并行實際上是零。所以，您正在將優(yōu)化器狀態(tài)分片到所有不同的GPU上。

而在流水線并行中，假設您的模型有四個層次，有四個GPU。您將一層放在每個GPU上，然后GPU一執(zhí)行前向傳遞，然后將其激活的輸出發(fā)送到GPU二。它執(zhí)行前向傳遞，將激活發(fā)送到三，您只是在沿著一條線移動。那是一個樸素的方案，所有其他GPU在單個GPU執(zhí)行其前向或后向傳遞時都處于空閑狀態(tài)。所以它被稱為流水線并行，因為您將小批次分成了微小批次。

但問題在于，您需要一個非常大的批次大小，以將其分成小批次和微小批次。因此，將這三者結(jié)合起來，您將得到一個3D網(wǎng)格，其中每個參數(shù)、優(yōu)化器狀態(tài)等都映射到每個GPU上。這就是3D并行。

進行此操作時是否需要所有GPU都相同？還是也可以使用不匹配的GPU？

有兩件事情很重要。如果兩種不同類型的GPU之間的VRAM有差異，那么您將受到VRAM較少的GPU的限制，因為它會耗盡內(nèi)存。然后您不能使用較大的GPU上剩余的部分。

問題在于，我之前提到的同步操作會讓您受限。因此，在這種情況下，您的移動速度將與您最慢或最小的GPU相同。

因此，每個節(jié)點都有一個不同的網(wǎng)絡交換機。所以，您最終會以最慢交換機的速度運行，并且調(diào)整一切，使其不比最慢交換機差，這是一個現(xiàn)實世界中可能會遇到的問題。

Alessio：

就是分片優(yōu)化器和3D并行，將兩者結(jié)合在一起，采用這種網(wǎng)格策略。

我會說，很多主要的基于GPT的模型都使用了這種方案?，F(xiàn)在很多人更傾向于純粹的ZeRO方案。所以就是純粹的分片。

您只需對所有內(nèi)容進行分片。因為這樣非常容易，每個人都可以得到相等的切片。不再有流水線階段的問題。不再有哪個張量應該放在哪個GPU上的問題。

我認為，3D并行給您最多的控制權，也是犯錯的最多方式。具體是選擇哪種取決于您是擁有更多工程師還是更多GPU。

Swyx：

這也不算太難，對吧？

您基本上已經(jīng)概述了需要記住的五六個不同的數(shù)字。如果需要達到這種控制水平，您已經(jīng)為每個人提供了主要的控制杠桿。這很好。絕對的。

Quentin：

問題在于，比如說，好吧，GPT-4發(fā)布了?，F(xiàn)在我們有了VLLMs。

Swyx：

Virtual LLMs，就像Metro of Expert的東西嗎？不，是視覺的。

所以現(xiàn)在我們有了多模態(tài)模型之類的東西。我們?nèi)绾芜M行分布？我們將其分配到流水線階段嗎？我們只是將其分片嗎？將張量分割并進行張量并行嗎？

當您具有這種3D并行方案時，要更改模型并添加新功能變得有點困難。我說困難，我的意思是將其調(diào)整和修改為適應新功能會變得困難。

Alessio：

我很好奇，您是否仍然認為這些問題集中在訓練、推理、數(shù)學優(yōu)化上，還是還有其他領域需要大家關注？

我認為在我研究的領域里，有兩個問題是我認為人們應該非常關心的。

因此，如何將某些模型或某些GPU用于推理，而某些GPU用于訓練？就像我之前提到的，你需要重新學習所有內(nèi)容，而且它們具有非常獨特的挑戰(zhàn)。

例如，在訓練期間如何分割一個KV緩存？這些都是尚未得到充分研究的挑戰(zhàn)。

在多模態(tài)方面，你可能有一個視覺變換器和一個文本變換器。如何分割它們？你是否平均分配？將它們放在不同的GPU上，還是只是將一些視覺、一些文本參數(shù)放在一個GPU上？

然后，第二個問題是通信往往是一個瓶頸。所以我們談論了3D并行，但很多情況下，比如張量并行，你不能跨節(jié)點使用。你會在通信中受到限制。

讓人們在通信基礎設施上花費更少的金錢，而更多地用于GPU，這也是人們需要探索的領域。

關鍵詞：