本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

什么？單塊GPU也能訓練大模型了？

還是20系就能拿下的那種？？？

沒開玩笑，事實已經擺在眼前：

• RTX 2060 6GB普通游戲本能訓練15億參數模型；
• RTX 3090 24GB主機直接單挑180億參數大模型；
• Tesla V100 32GB連240億參數都能拿下。

相比于PyTorch和業界主流的DeepSpeed方法，提升參數容量能達到10多倍。

而且這種方法完全開源，只需要幾行代碼就能搞定，修改量也非常少。

這波操作真是直接腰斬大模型訓練門檻啊，老黃豈不是要血虧。

那么，搞出如此大名堂的是何方大佬呢？

它就是國產開源項目Colossal-AI。

自開源以來，曾多次霸榜GitHub熱門第一。

△開源地址：https://github.com/hpcaitech/ColossalAI

主要做的事情就是加速各種大模型訓練，GPT-2、GPT-3、ViT、BERT等模型都能搞定。

比如能半小時左右預訓練一遍ViT-Base/32，2天訓完15億參數GPT模型、5天訓完83億參數GPT模型。

同時還能省GPU。

比如訓練GPT-3時使用的GPU資源，可以只是英偉達Megatron-LM的一半。

那么這一回，它又是如何讓單塊GPU訓練百億參數大模型的呢？

我們深扒了一下原理~

高效利用GPU+CPU異構內存

為什么單張消費級顯卡很難訓練AI大模型？

顯存有限，是最大的困難。

當今大模型風頭正盛、效果又好，誰不想上手感受一把？

但動不動就“CUDA out of memory”，著實讓人遭不住。

目前，業界主流方法是微軟DeepSpeed提出的ZeRO （Zero Reduency Optimizer）。

它的主要原理是將模型切分，把模型內存平均分配到單個GPU上。

數據并行度越高，GPU上的內存消耗越低。

這種方法在CPU和GPU內存之間僅使用靜態劃分模型數據，而且內存布局針對不同的訓練配置也是恒定的。

由此會導致兩方面問題。

第一，當GPU或CPU內存不足以滿足相應模型數據要求時，即使還有其他設備上有內存可用，系統還是會崩潰。

第二，細粒度的張量在不同內存空間傳輸時，通信效率會很低；當可以將模型數據提前放置到目標計算設備上時，CPU-GPU的通信量又是不必要的。

目前已經出現了不少DeepSpeed的魔改版本，提出使用電腦硬盤來動態存儲模型，但是硬盤的讀寫速度明顯低于內存和顯存，訓練速度依舊會被拖慢。

針對這些問題，Colossal-AI采用的解決思路是高效利用GPU+CPU的異構內存。

具體來看，是利用深度學習網絡訓練過程中不斷迭代的特性，按照迭代次數將整個訓練過程分為預熱和正式兩個階段。

預熱階段，監測采集到非模型數據內存信息；

正式階段，根據采集到的信息，預留出下一個算子在計算設備上所需的峰值內存，移動出一些GPU模型張量到CPU內存。

大概邏輯如下所示：

這里稍微展開說明下，模型數據由參數、梯度和優化器狀態組成，它們的足跡和模型結構定義有關。

非模型數據由operator生成的中間張量組成，會根據訓練任務的配置（如批次大小）動態變化。

它倆常干的事呢，就是搶GPU顯存。

所以，就需要在GPU顯存不夠時CPU能來幫忙，與此同時還要避免其他情況下內存浪費。

Colossal-AI高效利用GPU+CPU的異構內存，就是這樣的邏輯。

而以上過程中，獲取非模型數據的內存使用量其實非常難。

因為非模型數據的生存周期并不歸用戶管理，現有的深度學習框架沒有暴露非模型數據的追蹤接口給用戶。其次，CUDA context等非框架開銷也需要統計。

在這里Colossal-AI的解決思路是，在預熱階段用采樣的方式，獲得非模型數據對CPU和GPU的內存的使用情況。

簡單來說，這是道加減法運算：

非數據模型使用 ＝ 兩個統計時刻之間系統最大內存使用 — 模型數據內存使用

已知，模型數據內存使用可以通過查詢管理器得知。

具體來看就是下面醬嬸的：

所有模型數據張量交給內存管理器管理，每個張量標記一個狀態信息，包括HOLD、COMPUTE、FREE等。

然后，根據動態查詢到的內存使用情況，不斷動態轉換張量狀態、調整張量位置，更高效利用GPU顯存和CPU內存。

在硬件非常有限的情況下，最大化模型容量和平衡訓練速度。這對于AI普及化、低成本微調大模型下游任務等，都具有深遠意義。

而且最最最關鍵的是——加內存條可比買高端顯卡劃 算 多 了。

前不久，Colossal-AI還成功復現了谷歌的最新研究成果PaLM (Pathways Language Model)，表現同樣非常奈斯，而微軟DeepSpeed目前還不支持PaLM模型。

Colossal-AI還能做什么？

前面也提到，Colossal-AI能挑戰的任務非常多，比如加速訓練、節省GPU資源。

那么它是如何做到的呢？

簡單來說，Colossal-AI就是一個整合了多種并行方法的系統，提供的功能包括多維并行、大規模優化器、自適應任務調度、消除冗余內存等。

目前，基于Colossal-AI的加速方案FastFold，能夠將蛋白質結構預測模型AlphaFold的訓練時間，從原本的11天，減少到只需67小時。

而且總成本更低，在長序列推理任務中，也能實現9~11.6倍的速度提升。

這一方案成功超越谷歌和哥倫比亞大學的方法。

此外，Colossal-AI還能只用一半GPU數量訓練GPT-3。

相比英偉達方案，Colossal-AI僅需一半的計算資源，即可啟動訓練；若使用相同計算資源，則能提速11%，可降低GPT-3訓練成本超百萬美元。

與此同時，Colossal-AI也非常注重開源社區建設，提供中文教程、開放用戶社群論壇，根據大家的需求反饋不斷更新迭代。

比如之前有讀者留言說，Colossal-AI要是能在普通消費級顯卡上跑就好了。

這不，幾個月后，已經安排好了~

背后團隊：LAMB優化器作者尤洋領銜

看到這里，是不是覺得Colossal-AI確實值得標星關注一發？

實際上，這一國產項目背后的研發團隊來頭不小。

領銜者，正是LAMB優化器的提出者尤洋。

他曾以第一名的成績保送清華計算機系碩士研究生，后赴加州大學伯克利分校攻讀CS博士學位。

拿過IPDPS/ICPP最佳論文、ACM/IEEE George Michael HPC Fellowship、福布斯30歲以下精英（亞洲 2021）、IEEE-CS超算杰出新人獎、UC伯克利EECS Lotfi A. Zadeh優秀畢業生獎。

在谷歌實習期間，憑借LAMB方法，尤洋曾打破BERT預訓練世界紀錄。

據英偉達官方GitHub顯示，LAMB比Adam優化器快出整整72倍。微軟的DeepSpeed也采用了LAMB方法。

2021年，尤洋回國創辦潞晨科技——一家主營業務為分布式軟件系統、大規模人工智能平臺以及企業級云計算解決方案的AI初創公司。

團隊的核心成員均來自美國加州大學伯克利分校、哈佛大學、斯坦福大學、芝加哥大學、清華大學、北京大學、新加坡國立大學、新加坡南洋理工大學等國內外知名高校；擁有Google Brain、IBM、Intel、 Microsoft、NVIDIA等知名廠商工作經歷。

公司成立即獲得創新工場、真格基金等多家頂尖VC機構種子輪投資。

潞晨CSO Prof. James Demmel為加州大學伯克利分校杰出教授、ACM/IEEE Fellow，同時還是美國科學院、工程院、藝術與科學院三院院士。

傳送門：

??https://github.com/hpcaitech/ColossalAI??