什么?单块 GPU也能训练大模型了?
还是 20 系就能拿下的那种???
没开玩笑,事实已经摆在眼前:
RTX 2060 6GB 普通游戏本能训练15 亿参数模型;
RTX 3090 24GB 主机直接单挑180 亿参数大模型;
Tesla V100 32GB 连240 亿参数都能拿下。
相比于 PyTorch 和业界主流的 DeepSpeed 方法,提升参数容量能达到 10 多倍。而且这种方法完全开源,只需要几行代码就能搞定,修改量也非常少。
这波操作真是直接腰斩大模型训练门槛啊,老黄岂不是要血亏。那么,搞出如此大名堂的是何方大佬呢?
它就是国产开源项目 Colossal-AI。
自开源以来,曾多次霸榜 GitHub 热门第一。
△开源地址:https://github.com/hpcaitech/ColossalAI主要做的事情就是加速各种大模型训练,GPT-2、GPT-3、ViT、BERT 等模型都能搞定。
比如能半小时左右预训练一遍 ViT-Base/32,2 天训完 15 亿参数 GPT 模型、5 天训完 83 亿参数 GPT 模型。
同时还能省 GPU。
比如训练 GPT-3 时使用的 GPU 资源,可以只是英伟达 Megatron-LM 的一半。
那么这一回,它又是如何让单块 GPU 训练百亿参数大模型的呢?
我们深扒了一下原理 ~
高效利用 GPU+CPU 异构内存
为什么单张消费级显卡很难训练 AI 大模型?
显存有限,是最大的困难。
当今大模型风头正盛、效果又好,谁不想上手感受一把?
但动不动就 "CUDA out of memory",着实让人遭不住。
目前,业界主流方法是微软 DeepSpeed 提出的ZeRO(Zero Reduency Optimizer)。它的主要原理是将模型切分,把模型内存平均分配到单个 GPU 上。
数据并行度越高,GPU 上的内存消耗越低。
这种方法在 CPU 和 GPU 内存之间仅使用静态划分模型数据,而且内存布局针对不同的训练配置也是恒定的。
由此会导致两方面问题。
第一,当 GPU 或 CPU 内存不足以满足相应模型数据要求时,即使还有其他设备上有内存可用,系统还是会崩溃。
第二,细粒度的张量在不同内存空间传输时,通信效率会很低;当可以将模型数据提前放置到目标计算设备上时,CPU-GPU 的通信量又是不必要的。
目前已经出现了不少 DeepSpeed 的魔改版本,提出使用电脑硬盘来动态存储模型,但是硬盘的读写速度明显低于内存和显存,训练速度依旧会被拖慢。
针对这些问题,Colossal-AI 采用的解决思路是高效利用GPU+CPU 的异构内存。具体来看,是利用深度学习网络训练过程中不断迭代的特性,按照迭代次数将整个训练过程分为预热和正式两个阶段。
预热阶段,监测采集到非模型数据内存信息;
正式阶段,根据采集到的信息,预留出下一个算子在计算设备上所需的峰值内存,移动出一些 GPU 模型张量到 CPU 内存。
大概逻辑如下所示:
这里稍微展开说明下,模型数据由参数、梯度和优化器状态组成,它们的足迹和模型结构定义有关。非模型数据由 operator 生成的中间张量组成,会根据训练任务的配置(如批次大小)动态变化。
它俩常干的事呢,就是抢 GPU 显存。
所以,就需要在 GPU 显存不够时 CPU 能来帮忙,与此同时还要避免其他情况下内存浪费。Colossal-AI 高效利用 GPU+CPU 的异构内存,就是这样的逻辑。
而以上过程中,获取非模型数据的内存使用量其实非常难。