单张GPU搞定GPT-3超参数!先训练小模型,再“一键迁移”
2022-03-14 13:42:33   来源:51cto   评论:0 点击:

  不不不,现在情况有变——

  在单个GPU上完全可以调整大规模模型的超参数。

  怎么说?

  原来有人发现了一种新的调参方法,无论模型规模怎么变化,所得的最优超参数都能保持性能稳定。

  由此一来,我们可以先训练一个小版本的模型,在上面间接调整好超参,然后以零样本的方式直接将它们复制到全尺寸模型上,就能获得相当不错的性能。

  这对手里GPU资源不够的人来说简直不要太好了吧。

  目前,相关帖子也在Reddit上引起热议,得到了300+的点赞支持。

  在一个GPU上调参GPT-3大模型

  方法名叫muP (Maximal Update Parametrization),作者分别来自微软和OpenAI。

  想法很简单,利用的是他们在之前的工作中发现的一个叫做μP的特殊参数化思路:

  窄神经网络和宽神经网络共享同一组最优超参数,即使宽度无限大(width->∞)时也一样。

  具体原理可以参见论文《Feature Learning in Infinite-Width Neural Networks》。

  可共享的超参数包括学习率learning rate、learning rate schedule、initialization、parameter multipliers……甚至可以单独针对每个参数张量。

  作者在宽度高达4096的Transformer以及ResNet上验证了这一结论。

  因此,资源匮乏的炼丹er就可以在单张GPU上对一个小版本的GPT-3模型进行超参数调整:

  如果在这个小模型上得到的参数接近最优,那么在大模型上也可以得到一样的结果。

  ps. 这种调参方式又被命名为“μ迁移(μTransfer)”。

  具体效果如何?

  作者训练了一个只有4000万参数规模的小型GPT-3,它小到可以直接跑在一张GPU上。

  然后把它的超参数“?迁移”到一个有67亿参数的大规模GPT-3上,结果发现它的性能和原始的GPT-3完全相当——尽管原GPT-3的参数规模还是它的两倍!

  而这一调整成本只占整个预训练成本的7%。

  由于模型规模增大,直接调整小型模型的成本仍大致相同,如果用该方式来调参175亿规模的GPT-3,其成本可能最多只有总预训练成本的0.3%。

  好了,这时你可能会问:能不能只缩小模型的宽度呢?

  作者表示,对于“non-width stuff”,没有理论保证。

  不过好消息是,他们在preLN Transformer的合理范围内对depth、batch size、sequence length和timestep的迁移效果进行了测试。

  其中,他们将BERT-base和BERT-large在宽度和深度上缩小到同样的规模, 然后同时进行超参数调整后发现:

  相比已经调优的megatron BERT基线,两者的性能都得到了改善,尤其是BERT-large提升更大。

  由此也总结出一个道理:

  迁移后的模型规模越大,收益越高。

  所以作者还调侃道,虽然我们没有测试175亿规模的GPT-3,但保证结果能让你“流口水”。

  说了这么多,到底如何实现?

  下表概括了如何通过fan-in或fan-out调整你的模型的initialization和learning rate。

  其中粉色文本为μP,括号中的灰色文本为pytorch默认值。

  当然,如果你不想自己手动操作,作者也开源了Pytorch实现,通过pip install mup就可以应用到你的模型中。

相关热词搜索:人工智能

上一篇:我们研究了特斯拉、毫末智行「自动驾驶算法」的秘密
下一篇:关于人工智能的学习经验总结

本站内容除特别声明的原创文章之外,转载内容只为传递更多信息,并不代表本网站赞同其观点。转载的所有的文章、图片、音/视频文件等资料的版权归版权所有权人所有。本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如涉及作品内容、版权和其它问题,请及时通过电子邮件或电话通知我们,以便迅速采取适当措施,避免给双方造成不必要的经济损失。联系电话:010-82306116;邮箱:aet@chinaaet.com。
分享到: 收藏