共计 867 个字符，预计需要花费 3 分钟才能阅读完成。
近年来，在大量数据上训练的基于 transformer 的大规模深度学习模型在多项认知工作中获得了很好的成绩，并且被应用到一些新产品和性能背地，进一步加强了人类的能力。在过来五年中，这些模型的规模增长了几个数量级。从最后的 transformer 模型的几百万个参数始终到最新的 5300 亿个参数的 Megatron-Turing (MT-NLG 530B) 模型（如图所示），客户对于前所未有的大规模训练和微调大型模型的需要越来越强烈。
大模型和硬件能力全景图
Azure 机器学习（AzureML）带来了大量由 InfiniBand 互连提供反对的最新 GPU，以应答大规模 AI 训练。咱们曾经在 Azure 上训练了 Megatron/Turing 和 GPT- 3 这些模型。以前，为了训练这些模型，用户须要设置和保护一个简单的分布式训练基础设施，通常波及几个手动的步骤，容易出错，从而导致在可用性和性能方面的体验不佳。
明天，咱们很骄傲地发表在咱们的软件堆栈中获得冲破——应用 DeepSpeed 和 1024 A100 来扩大 2T 参数模型的训练，并在 1K+ GPU 规模上提供精简的用户体验。咱们将通过 AzureML（包含充沛优化的 PyTorch 环境）为您带来这些软件翻新，它为大规模训练提供了杰出的性能和易于应用的界面。
如下图所示，微软正在采纳全栈优化办法，其中硬件、操作系统、VM image、Docker image（含优化后的 PyTorch、DeepSpeed、ONNX 运行时和其余 Python 包)、面向用户的 Azure ML APIs 都曾经过优化、集成和测试，具备杰出的性能和可扩展性。
微软针对 Azure 上可扩大分布式训练的全栈优化
这个优化的堆栈使咱们可能应用 DeepSpeed on Azure 无效地扩大大型模型的训练。与其余云场商公布的数据相比，咱们反对 2 倍大的模型大小（2 万亿 vs. 1 万亿参数），扩大到 2 倍的 GPU（1024 vs. 512），以及高达 1.8 倍的计算吞吐量 /GPU（150 TFLOPs vs. 81 TFLOPs）。
长按辨认二维码
关注微软开发者 MSDN
点击返回原博客~
