首个开源的ChatGPT低成本复现流程来了！
预训练、奖励模型训练、强化学习训练，一次性打通。
最小demo训练流程仅需1.62GB显存，随便一张消费级显卡都能满足了。单卡模型容量最多提升10.3倍。
相比原生PyTorch，单机训练速度最高可提升7.73倍，单卡推理速度提升1.42倍，仅需一行代码即可调用。
对于微调任务，可最多提升单卡的微调模型容量3.7倍，同时保持高速运行，同样仅需一行代码。
要知道，ChatGPT火是真的火，复现也是真的难。
毕竟ChatGPT是不开源的，市面上至今没有开源预训练权重、完全开源的低成本训练流程，而且千亿级别大模型的训练本身就是个难题。
但ChatGPT军备赛已经愈演愈烈，为了抓住趋势，如谷歌等都在打造对标竞品。快速复现ChatGPT是应趋势所需。
开源加速方案Colossal-AI正是为此而来。
并且在提供开源完整复现流程的同时，把成本降了下来！
降显存开销是关键
ChatGPT的效果好，主要是由于在训练过程中引入了人类反馈强化学习，但这也直接导致ChatGPT的复现训练难度飙升。
其训练流程主要分为三个阶段:
1、监督微调:从Prompt库中采样，收集其人工回答，利用这些数据来微调预训练大语言模型；
2、奖励模型:从Prompt库中采样，使用大语言模型生成多个回答，人工对这些回答进行排序后，训练奖励模型，来拟合人类的价值判断。
3、基于第一阶段的监督微调模型和第二阶段的奖励模型，利用强化学习算法对大语言模型进一步训练。
RLHF的三个阶段
对于ChatGPT训练而言，第三阶段是核心部分。
OpenAI采用了强化学习中近端策略优化算法，借此引入奖励信号，使得语言模型生成内容更加符合人类评判标准。
但强化学习的引入，也意味着更多模型调用。
例如，使用基于Actor-Critic结构的PPO算法，需要在训练时进行Actor、Critic两个模型的前向推理和反向传播，以及监督微调模型、奖励模型的多次前向推理。
在ChatGPT基础的InstructGPT论文中，Actor和监督微调模型都使用了1750亿参数的GPT-3系列模型，Critic和奖励模型则使用了60亿参数的GPT-3系列模型。
如此大规模的模型参数，意味着想要启动原始ChatGPT训练流程，需要数千GB的显存开销，单张GPU显然无法容纳，常见的数据并行技术也不能搞定。
即便引入张量并行、流水并行对参数进行划分，也需要至少64张80GB的A100作为硬件基础。而且流水并行本身并不适合AIGC的生成式任务，bubble和调度复杂会导致效率受限。
单张消费级显卡都能体验
Colossal-AI基于ZeRO，Gemini, LoRA, Chunk-based内存管理等方法，提出了一系列单卡、单机多卡、大规模并行解决方案。
对于基于GPT-3系列模型的ChatGPT，Colossal-AI能用原本一半的硬件资源启动1750亿参数模型训练，从64卡降低到32卡。
如果继续用64卡，则将训练时间压缩到更短，节省训练成本、加速产品迭代。
而为了能让更大范围的开发者体验复现ChatGPT，除了1750亿参数版本外，Colossal-AI还提供单卡、单机4/8卡的类ChatGPT版本，以降低硬件限制。
要知道，在单机多卡服务器上，即便把显卡规格提升为A100 80GB，由于ChatGPT的复杂性和内存碎片，PyTorch最大也只能启动基于GPT-L这样的小模型ChatGPT。
用PyTorch原生的DistributedDataParallel 进行多卡并行扩展至4卡或8卡，性能提升有限。
Colossal-AI最高可提升单机训练速度7.73倍，单卡推理速度1.42倍，还可继续扩大规模并行。
为了尽可能降低训练成本和上手门槛，Colossal-AI还提供了在单张GPU上即可尝试的ChatGPT训练流程。
相比于PyTorch在约10万元的A100 80GB上，最大仅能启动7.8亿参数模型，Colossal-AI将单卡容量提升10.3倍至80亿参数。
对于基于1.2亿参数小模型的ChatGPT训练，最低仅需1.62GB显存，任意单张消费级GPU即可满足。
此外，Colossal-AI也致力于降低基于预训练大模型的微调任务成本。以ChatGPT可选的开源基础模型OPT为例，相比PyTorch，Colossal-AI可将提升单卡微调模型容量3.7倍，同时保持高速运行。
一行代码快速上手
到了具体操作部分，如上复现流程中的多个步骤，基于Colossal-AI开源方案，都能实现一行代码快速上手。
先看模型使用方面。
尽管ChatGPT背后的大语言模型GPT-3.5不开源，但如GPT、OPT、BLOOM等主流开源模型可作为替代。
Colossal-AI为Hugging Face社区的这些模型，提供了开箱即用的ChatGPT复现代码，可覆盖三个阶段的训练。
以GPT为例，添加一行代码指定使用Colossal-AI作为系统策略即可快速使用。
使用下列命令，即可快速启动单卡、单机多卡、1750亿版本训练，并测试各种性能指标:
背后原理如何？
核心方案还是Colossal-AI。
它从诞生起就面向大模型应用，可基于PyTorch高效快速部署AI大模型训练和推理，是这一领域的明星项目了，GitHub Star超八千颗，并成功入选SC、AAAI、PPoPP、CVPR等国际AI与HPC顶级会议的官方教程。
目前，Colossal-AI已成功帮助一家世界五百强企业，开发具备在线搜索引擎能力增强的类ChatGPT聊天机器人模型。
此前，它们还为Stable Diffusion、OPT、AlphaFold等前沿模型，提供了多样高效的大规模多维并行分布式解决方案。
主创人员为加州伯克利大学杰出教授James Demmel和新加坡国立大学校长青年教授尤洋。
Colossal-AI与当今主要开源项目同期开源数据对比
具体到细节原理上，LoRA、ZeRO+Gemini是关键。
低成本微调的LoRA
在微调部分，Colossal-AI支持使用低秩矩阵微调方法。
LoRA方法认为大语言模型是过参数化的，其在微调中的参数改变量是一个低秩的矩阵，可以将其分解为两个更小的的矩阵的乘积，即
在微调时，固定大模型参数，只调整低秩矩阵参数，从而显著减小训练参数量。在微调之后，进行推理部署之前，只需要将参数加回原有矩阵即可，即
，不增加模型的推理延迟。
LoRA示意图，仅需训练A、B减少内存冗余的ZeRO+Gemini
Colossal-AI 支持使用无冗余优化器 来优化内存使用，这种方法可以有效减少内存冗余，并且相比传统的数据并行策略，不会牺牲计算粒度和通信效率，同时可以大幅提高内存使用效率。
为了进一步提升 ZeRO 的性能，Colossal-AI 引入了自动Chunk机制。
通过将运算顺序上连续的一组参数存入同一个 Chunk中，可以确保每个 Chunk 的大小相同，从而提高内存使用效率。
使用Chunk 方式组织内存可以保证 PCI-e 和 GPU-GPU之间的网络带宽得到有效利用，减小通信次数，同时避免潜在的内存碎片。
Chunk机制
此外，Colossal-AI的异构内存空间管理器Gemini支持将优化器状态从 GPU 卸载到 CPU ，以节省 GPU 内存占用。
可以同时利用 GPU 内存、CPU 内存来突破单GPU内存墙的限制，进一步扩展了可训练模型规模。
通过ZeRO+Gemini提升硬件的模型容量One More Thing
尽管此次开源包含了复现ChatGPT的完整算法流程和必要软件系统，但想要走到实际应用落地，还至少需要数据、算力等方面的支持。
参考开源大模型BLOOM、开源AI画画工具Stable Diffusion的经验，这背后都需要包括个人开发者、算力、数据模型等可能合作方的支持共建mdash;mdash;
此前，超过1000个科学家联合发起、耗时一年多炼出了号称和GPT-3一样强大的语言模型BLOOM。还有AI画画趋势的头号明星Stable Diffusion，也是由Stability AI、EleutherAI和LAION多方联合完成的。
复现ChatGPT也是如此，Colossal-AI正在发起这一开发活动。
支持0人
反对
打赏
快科技·1997-2023 版权所有
豫ICP备18024899号-2豫公网安备 41010502003949号
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
