盤古大模型參與者解讀盤古β大模型

摘要：盤古 NLP 大模型有兩個，α和β。α已經開源 gitee 連結，它是基於 GPT-3 結構的網路，主打生成類任務。β是基於 Transformer 結構的網路，更擅長理解類任務。

本文分享自華為雲社群，原文作者：泰坦 。

在 4 月 25 日的華為 HDC 大會上, 餘總和田奇老師釋出了盤古 AI 大模型，作為參與了盤古專案的開發人員，也來湊個熱鬧，簡單介紹一下盤古專案，如下圖：

NLP 大模型其實有兩個，α和β。α已經開源 gitee 連結，它是基於 GPT-3 結構的網路，主打生成類任務。β是基於 Transformer 結構的網路，更擅長理解類任務，田其老師臺上互動的就是β，CLUE 打榜的也是β。

什麼是大模型

• 網路引數大

千億引數:100000000000*4(float32)/1024^3=381.5GB

在盤古β中, 實際引數量約為 400G, 使用 Adam 最佳化器, 總引數量約為 1.2T, 在 2048 卡訓練下, 因為有一些冗餘資訊, 儲存的 ckpt 實際大小為 830M。

• 訓練資源大

使用數千張昇騰 910 訓練 1 月以上。

• 訓練資料大

原始資料 40T, 處理後資料 600G。

實際上最重要的是要有鈔能力。

如何訓練大模型

大模型的困難，實際難在工程。我們使用華為雲機器學習平臺 ModelArts + 機器學習框架 Mindspore + AI 處理器昇騰 910 進行開發。為了支撐大模型專案，Mindspore 的小夥伴開發了非常多的新特性，如最佳化器模型並行，管道並行等，具體資訊可以檢視我們總架金雪鋒的答案。

下面借鑑一下立交橋跳水冠軍的帖子，簡單介紹一下並行技術，及盤古β如何運用它們的。

資料並行

資料並行（DP）是應用最廣的並行策略，對在多個裝置上部署深度學習模型非常有用。但該方法存在缺陷，如隨著訓練裝置數量不斷增加，通訊開銷不斷增長，模型統計效率出現損失等。如下圖所示，資料並行中每個分散式節點儲存相同的引數（parameters），input 的資料不一樣。由於盤古β使用了 Adam 最佳化器，會佔用非常多的靜態記憶體，所以 batch size 開不大。使用資料並行，相當於擴大了 batch size。

模型並行

單卡無法容納全量引數, 需要把模型引數切分到每個不同的卡上。分散式節點儲存不同的引數，但是他們的 input 往往是相同的。

​在盤古β中，所有引數為 1.2T，每張 910 卡實際可用 HBM 為 31G，理論算出最少需要 40 張卡。由於 HCCL 等限制，實際最少需要 64 卡進行訓練。可以選擇 32 模型並行，2 資料並行，或者 64 模型並行。

管道並行

大規模分散式訓練, 計算通訊耗時長. 使用管道並行, 加速訓練(X2)。

前面的模型並行，只是對模型的引數進行了切分，管道並行是對網路進行切分，每張卡只建立一個子網路，再透過流水線的方式組合起來。

以上圖為例，4 個節點將 5 層的網路進行了切分，每個節點只建立一個子網路。節點的執行序如下圖所示：

每個節點接收前一個節點的輸出，計算完成後再把輸出傳遞給下一個節點。當最後一個 stage 完成計算後，便開始計算反向，grads 由最後一個節點一層層傳遞到第一個節點，最後完成引數更新，再進行下一個 step。

盤古β由 encoder+decoder 結構組成，兩者共用一個 Embedding 層。在管道並行下，需要把 Embedding 層從第一個 stage 一直傳遞到第一個 Decoder 所在的 stage，在此 stage 對 target_ids 計算嵌入，再送入 Decoder 中進行計算。而所有 Decoder 都會用到 Encoder 的輸出來計算 cross attention，所以我們對 Decoder 做了改造，使其接收 Encoder 輸出的同時，再把此 Encoder 的輸出傳遞給下一層 Decoder。

在盤古β中，我們把整個模型切分成了 16 個 stage，最後執行速度比非管道並行快 1 倍。

其他小功能

容災

由於採用大叢集進行訓練，難免會發生硬體，軟體方面的問題，造成訓練終止。我們開發了容災功能，會把每張卡使用的引數儲存成 ckpt，上傳到 ModelArts 的 NAS 硬碟上。繼續訓練時每張卡只需要下載對應的 ckpt 載入，便可以繼續訓練了。在盤古β中，從任務建立後，每臺機器都需要下載完整資料集到本地，每張卡的訓練程式都需要下載一個 ckpt 進行載入，再進行圖編譯，最後真正訓練跑起來需要 2 小時左右。

彈性訓練

由於資源較為緊張，專案開始僅有 1024 卡進行訓練，當剩餘資源到位後，我們調整了並行策略，然後手動拆分 ckpt，再進行繼續訓練。

當預訓練完成後，finetuen 會使用 128 或 256 卡進行訓練，此時又需要手動合併 ckpt，再進行訓練。

拆分合並 ckpt 需要理解 Tensor 在不同並行策略下的排布，及策略改變後如何變換 Tensor，保證每一張卡獲取到對應的 Tensor 切片。

訓練技巧

無監督預訓練

盤古β採用了 Masked Language Model 方法進行預訓練，即在輸入句子中隨機 mask 掉 15%的詞，模型預測 mask 掉的 token。

下游任務（CLUE）finetune

使用 multi_task 方法(無監督資料集，CLUE 資料集無監督資料集，CLUE 資料有監督資料集）進行第一次 finetune。這裡使用的是 CLUE 所有下游任務的資料集。如無監督資料集 A 條，CLUE 資料集無監督資料集 B 條，CLUE 資料有監督資料集 C 條。

當第一次 finetune 的 loss 達到預期後，再針對單獨的下游任務，使用有監督資料集進行 finetuen。

PET(Pattern-Exploiting Training)

任務轉換：不再直接對 label 進行預測，而是預測其 label description，即將其轉換為完形填空形式的任務，來預測不同 labeldescription 的機率，例如：

​ 一個樣本為“context：’「天天特價房」華庭仁和國際 3 室 2 廳 2 衛僅售 65 萬’, label: ‘房產’”

轉換為如下形式：

​ “以下是一則 房產 相關新聞標題: 「天天特價房」華庭仁和國際 3 室 2 廳 2 衛僅售 65 萬"

分散式推理

在大部分 CLUE 任務中，decoder 只需要推理 1 步，但一些生成任務會推理多步。由於圖編譯會把 decoder 的迴圈部分完全展開，故我們在這裡進行了改造，把整個網路拆分成了 Encoder+Decoder 兩個網路，decoder 的多步推理放在 python 層進行。

管道並行推理比較複雜，訓練時使用上千張卡，推理時僅使用 32 卡。訓練時整個網路分成了 16 個 stage，推理時 encoder 分成 4 個 stage，decoder 分成 4 個 stage，每張卡既有 encoder，也有 encoder。由於管道並行網路的特殊性，只有第一個 stage 需要真正的輸入，只有最後一個 stage 才有真正的輸出。不同的 stage 是跨機器的，就需要把 encoder 的輸出傳遞給 decoder，這裡我們建立了 Send，Recv 網路進行傳送，接收。

最後

當前盤古β使用的 mindspore 有些特性是新開發的，目前還在努力開發，預計不久這些新功能就會正式合入 mindspore 的 master，華為雲 ModelArts 也經過了此次大模型的考驗，沉澱了一些能力，將來也會上線一些大模型的新功能，請大家拭目以待。

作者：華為雲開發者社群
連結：
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。