白癜风诚信单位 http://m.39.net/baidianfeng/a_6169871.html最近，阿里云PAI团队和达摩院智能计算实验室一起发布“低碳版”巨模型M6，大幅降低万亿参数超大模型训练能耗。借助我们自研的Whale框架仅使用卡GPU，即训练出了规模达人类神经元0倍的万亿参数多模态大模型M6，与传统海外公司实现万亿参数规模相比，能耗降低超八成、效率提升近倍。M6是国内首个实现商业化落地的多模态大模型。M6拥有超越传统AI的认知和创造能力，擅长绘画、写作、问答，在电商、制造业、文学艺术等诸多领域拥有广泛应用前景。这里来为大家介绍支持万亿参数模型训练的Whale框架设计。一模型发展趋势和挑战模型发展趋势随着深度学习的火爆，模型的参数规模也增长迅速，OpenAI数据显示：0年以前，模型计算耗时每年增长一倍，和摩尔定律保持一致；0年后，模型计算耗时每3.4个月翻一倍，远超硬件发展速度；近一年模型参数规模飞速增长，谷歌、英伟达、阿里、智源研究院都发布了万亿参数模型，有大厂也发布了百亿、千亿参数模型。同时，随着模型参数规模增大，模型效果也在逐步提高，Nvidia测试Bert模型不同参数规模，发现模型困惑度随模型参数规模增加而降低。Google在GShardpaper中也发现MoETransformer模型参数规模越大，翻译质量越高。大模型训练的挑战大模型带来模型效果提升的同时，也为训练框架带来更大的挑战，例如当我们要训练一个万亿规模的模型时会面临如下挑战：训练难：GPU显存已经不够存放模型副本，数据并行已经不能满足需求；需要框架提供新的并行策略，协同多GPU能力来存放和训练模型；如何给用户提供简洁、易用的接口，让用户能很容易实现分布式版模型；超大规模模型对计算效率、通信效率都带来很大挑战，如何提高计算和通信效率；下游任务如何对接，如何支持批量预测和在线推理需求；成本高：以万亿模型为例，模型参数有4TB大小、梯度也有4TB，加上optimizerstates和activetensor，显存需求巨大；业界训练同等规模模型需要的资源：英伟达A00、谷歌TPUv3，成本太高很难落地；如何降本增效，使用更少的资源，更快的训练收敛；当前已经有一些分布式训练框架，例如：Horovod、TensorflowEstimator、PyTorchDDP等支持数据并行，Gpipe、PipeDream、PipeMare等支持流水并行，MeshTensorflow、FlexFlow、OneFlow、MindSpore等支持算子拆分，但这些框架还有一些不足：模式单一：很多框架只支持部分并行策略，不能完全支持各种混合并行；接入门槛高：用户实现模型分布式版本难度大、成本高，需要有领域专家经验才能实现高效的分布式并行策略；迁移代价大：不同分布式框架并行化实现割裂，不同框架有各自定义的DSL，当用户要切换并行策略时，需要学习各种接口，重新改写模型；性能不理想：部分框架实现未考虑集群物理环境；为了应对当前分布式训练的挑战，我们研发了分布式训练框架Whale，主要目标是：统一多种并行策略：在一个框架中支持各种并行策略以及这些策略的各种组合；简洁易用的接口：用户只需添加几行annotation即可完成并行策略的配置，模型代码不需要改动；高效的训练框架：结合硬件资源、网络拓扑和模型进行协同优化，打造高效分布式训练框架；二PAI自研Whale框架Whale架构我们推出统一多种并行策略的高性能分布式训练框架Whale，从如下角度来应对分布式训练的挑战：将不同并行化策略进行统一抽象、封装，在一套分布式训练框架中支持多种并行策略；基于Tensorflow设计一套分布式并行接口，完全兼容Tensorflow，用户仅仅只需添加几行annotation就可以实现丰富的分布式并行策略；结合模型结构和网络拓扑进行调度和通信优化，提供高效的分布式训练能力。Whale框架如下图所示，主要分4个模块：API：提供简洁易用接口，让用户组合使用各种混合并行策略；WhaleIR：将并行策略转成内部表达，通过TaskGraph、Multi-Dimension、VirtualDevices抽象来表达各种并行策略；WhaleEngine：基于WhaleIR，通过图编辑工具来构建分布式执行图；Runtime：将分布式执行图转成TFGraph，再调用TF的Runtime来执行；Whale简介易用接口Whale提供简洁易用的接口来描述各种并行策略，主要的原语：cluster：配置VirtualDevice的划分方法replica：数据并行stage：划分TaskGraphpipeline：流水并行split：算子拆分用这些接口可以组合各种并行策略，例如：数据并行：流水并行：流水并行+数据并行：更多并行策略示例：3Whale训练流程使用Whale进行分布式训练流程：并行策略配置：使用WhaleAPI来为模型配置并行策略，只需添加几行annotation，无需修改模型代码，方法如.节所示；可以将模型划分为多个TaskGraph，TaskGraph支持配置多个并行策略，每个TaskGraph可以配置不同的并行策略；虚拟资源划分：按并行策略来划分VirtualDevice，每个TaskGraph对应一个VirtualDevice；按GPU资源和网络topo来为VirtualDevice选择PhysicalDevice；分布式执行图：基于并行策略和资源分配信息，使用图编辑工具来编辑执行图（图拷贝、拆分、插入通信节点等），生成最终的分布式执行图；调用TF的runtime来执行分布式Graph；三万亿M6模型预训练万亿模型的算力需求非常大，为了降低算力需求，Whale中实现了MoE(Mixture-of-Experts)结构，MoE的主要特点是稀疏激活，使用Gating(Router)来为输入选择Topk的expert进行计算（k常用取值、），从而大大减少算力需求。Whale中实现了MoE(Mixture-of-Experts)layer，并支持专家并行，将experts拆分到多个Devices上，降低单个Device的显存和算力需求。同时数据并行有利于提升训练的并发度，因此采用数据并行+专家并行组合的混合并行策略来训练M6模型：MoElayer采用专家并行，其他layer采用数据并行。Whale中提供简洁易用的接口来进行模型的混合并行训练，只需要增加几行annotation来配置并行策略，模型本身不需要任何修改。M6模型采用数据并行+专家并行的策略，只需要增加如下图的annotation：同时为了节约训练资源，提高训练效率，Whale中提供各种优化技术：显存优化：AutoGradientCheckpoint，自动选择最优checkpoint节点，节约activation的显存；Group-wiseApply，优化OptimizerApply阶段的显存；CPUOffload技术，优化Optimizerstatus和Weight的显存；通信池化，控制通信的数据块大小和并发，节约通信的显存；计算、通信加速：采用DP+EP混合并行策略，降低算力需求；采用分组融合通信、半精度通信、拓扑感知的AllAll通信算子等技术来提高通信效率；结合混合精度、编译优化等技术提高训练效率；借助Whale框架，首次在V00上，3天内完成万亿M6模型的预训练。相比此前英伟达使用A00GPU实现万亿参数、谷歌使用TPU实现.6万亿参数大模型，此次达摩院仅使用卡VGGPU就实现了万亿模型M6，节省算力资源超80%，且训练效率提升近倍。四结语模型参数规模已越来越大，大模型已成为发展趋势，为解决超大模型训练的挑战，我们自研Whale框架，将不同并行化策略进行统一抽象、封装，在一套分布式训练框架中支持多种并行策略。Whale提供简洁易用的接口，用户只需添加几行annotation即可实现各种并行策略，不需要对模型本身进行修改。同时我们结合硬件资源、网络topo、模型进行软硬件协同优化，提供高效分布式训练框架。通过Whale框架，我们用V00GPU卡训练万亿规模模型，并在3天内完成模型训练收敛，为超大规模模型训练落地提供了可能，后续我们会进一步完善Whale框架，从更大规模、更快速度、更高性价比3个维度去扩展Whale框架的能力。同时也会推动Whale能力在更多业务场景落地，让技术能力到产品能力的转变。《PostgreSQL实战教程》从实战角度出发，带你全面掌握PostgreSQL核心技术。点击阅读原文下载教程～预览时标签不可点收录于话题#个上一篇下一篇
转载请注明：http://www.0431gb208.com/sjszlff/206.html
