关于机器学习:基于单机最高能效270亿参数GPT模型的文本生成与理解

作者：李鹏，王玮，陈嘉乐，黄松芳，黄俊

单位：阿里云智能机器学习平台PAI & 达摩院自然语言根底技术

概述

GPT模型能较好的解决文本生成畛域的各种工作，比方文本补全，自在问答，完形填空，写作文，写摘要，写小说，写诗歌等等。最近火爆全网的人工智能产品ChatGPT也是以GPT文本生成模型为底座。尽管GPT大模型作用在这些应用领域的成果很好，然而训练老本十分高。以OpenAI推出的1750亿的GPT-3为例，在1024张A100GPU上预估须要34天，一万亿参数的GPT-3在3072张A100显卡上也至多须要84天；微软/英伟达联合推出的5300亿的NLG模型，在2048张A100显卡上耗时了3个月的训练工夫能力达到比拟好的收敛成果。

针对GPT根底模型参数量大，训练&推理硬件资源耗费过低等问题，基于MoE的稠密化训练是目前最具竞争力的降本增效路径。MoE的全称是Mixture of Experts，其中的Expert对应的是Transfomrer模型的MLP层，在训练的时候从多个MLP中选取一个MLP进行激活（如下图所示）。这意味着模型能够在不减少计算强度（FLOPS/Bytes）的状况下，通过减少MLP模块的数量来减少模型参数量级，进而晋升模型在上游工作上的泛化性能。采纳MoE后的稠密Transformer模型和等同品质（验证集loss以及zeroshot nlu上游工作性能）的浓密模型相比有将近1.2倍的训练吞吐性能晋升，1.3倍的推理吞吐性能晋升。咱们在稠密架构总体设计的时候，抉择让MoE跟纯Transformer Decoder架构的GPT进行有机联合。起因是MoE跟Decoder联合成果通常会好于跟Encoder的联合成果。具体来讲，Encoder是通过随机masking的形式学习语言模型，而这种被随机masked的token会让expert的路由抉择呈现不平衡。另一方面，思考到Decoder类的GPT模型比Encoder类的Bert模型有更宽泛应用场景，因而咱们采纳GPT+MoE的技术架构路线，摸索单机最高能效的绿色低碳GPT大模型训练&推理软硬一体化适配技术在中文文本生成场景的落地可行性。

基于以后比拟成熟的分布式MoE专家路由抉择技术，采纳Switch Transformer[2]中的top-1路由机制。每个Expert依据如下的softmax函数被赋予一个概率值，取概率最高（top-1）的那个Expert当作网络的FFN层。其中W_r是做路由抉择时须要学习的参数。

GPT-MoE训练&推理能效剖析

根底预训练模型训练&推理性能剖析

任何一种浓密（Dense）的GPT模型，都有一种成果与之对应的训练&推理速度更快的稠密（MoE）GPT模型。咱们的指标是在受限硬件比方单机条件下找到这种GPT-MoE模型配置，而后通过对MoE算法进行改良来进一步晋升它的训练能效。咱们通过比照浓密&稠密模型的训练&推理性能，来发现与浓密模型等价的高能效稠密模型。

8种GPT模型的参数量，模型构造，训练超参数如下表所示：

如下图所示，1.3B+MoE32/64模型在雷同的step下比照1.3B dense体现出更低的验证集loss，其中1.3B+MoE-64模型的loss甚至低于2.7B dense模型

5个模型中，0.35B+MoE-64的训练吞吐速度最快，是其余模型的2倍左右。其余四个模型中，吞吐速度较高的是1.3B dense和1.3B+MoE-32，1.3B+MoE-64和2.7B dense的速度相近。如下图所示：

![]()

推理吞吐速度方面，1.3B Dense的显存耗费起码，0.35B+MoE64的提早最低。

input_len = 20

output_len = 128

batch_size = 1

通过以上的图表剖析，咱们能大抵判断出2.7B-Dense模型对应的高能效的稠密模型是以1.3B的dense模型为底座，同时配置32或者64个专家的MoE模型。上面咱们重点剖析下1.3B+MoE-32/64和2.7B dense模型的性价比。在单机A100上预训练200个小时后，借助Tensorboard画出预训练验证集loss曲线。咱们发现在验证集loss达到2.16时，1.3B+MoE-64模型的收敛速度是2.7B dense的1.17，1.3B+MoE-32的收敛速度落后于2.7B dense模型15%，如下图所示：

从下图中的基于Faster Transformer的单级单卡推理性能上看。1.3B+MoE-32和1.3B+MoE64的吞吐速度差不多且都高于2.6B dense模型，这是合乎预期的，因为他们的底座大小都只有1.3B。

![]()

中文ZeroShot-NLU成果评测

中文文本生成成果评测

文本补全

诗歌生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_0.35B_MoE-64/summary

广告文案生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_1.3B_MoE-32/summary

作文生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_1.3B_MoE-64/summary

自研GPT-MoE算法翻新&试验剖析

背景

Top-1 Gating 是目前最支流也最无效的 Routing 算法，然而也有着显著的毛病。例如，在 Top-1 Gating 中，每一个 Token 仅会被交给一个 expert 解决，因而，时常会呈现某些 expert 须要解决很多 token，而有些 expert 仅需解决极少数量的 token 的状况，这导致解决极少 token 的 expert 无奈取得足够多的信息，无奈失去充沛的利用。

高能效专家路由抉择

因而，咱们自研了新的路由算法，如下图所示。咱们的算法让 expert 被动抉择固定数量（capacity）的 token，同一个 token 能够同时被不同的 expert 解决，从而使每一个 expert 都能失去充沛的训练。

最初生成的 token 的示意，则采纳 weighted sum 的形式，将来自不同 expert 生成的示意加权求和并通过Expert Residual模块，以取得最终的 token 示意。这样的示意，因为有多个 expert 的独特作用，因而更加鲁棒。

1. 计算 expert 对 token 的偏好：

\( S=X∗We \)

其中\( X \in \mathbb{R}^{n*d} \) 是输出的 tokens 的示意，

\( W_{e} \in \mathbb{R}^{d*e} \)
是 experts 的权重，\(  n  \)示意输出 token 的数量， \( e \)示意 expert 的数量， \( d \)示意暗藏特色的维度，\( S \in \mathbb{R}^{n*e} \)为每一个 expert 对输出的每一个 token 的偏好水平；

2. L-Softmax 算法训练expert权重

训练过程中利用 L-Softmax loss 优化 experts 的权重W_{e}，实现每一个expert对token都具备可辨别的的偏好。

3. 每个 expert 选取固定数量的 token：

\( I = \text{Topk}(S, k) \)
其中，\( k \)就是咱们预先确定的，每个 expert 能够解决的最多 token 的数量，\( I \in \mathbb{R}^{e*k} \)记录了每个 expert 须要解决的 tokens 的索引；

4.计算最初的输入：

\( Xout=a∗ExpertResidual(Experts(X,I))+(1−a)∗Experts(X,I) \)

每一个 expert 依据索引计算出对应 tokens 的示意，并将不同 expert 对同一 token 生成的示意加权求和，最初通过 Expert Residual 模块生成最终的输入 \( Xout \)。

试验剖析

下图是采纳自研算法与 Top-1 Gating、s-BASE 算法的验证集 loss 随训练 step 变动的曲线图，咱们能够发现，采纳自研算法的验证集 loss 始终低于 top-1 gating 和 s-BASE 算法的验证集 loss，证实了咱们自研算法的有效性。

同时，咱们察看到，验证集 loss 首次低于 2.7 的工夫，自研算法的速度是 s-BASE 的 1.48 倍，极大的缩小了模型训练的开销。

此外，咱们也剖析了自研算法和 Top-1 Gating、s-BASE 的训练吞吐，如下图所示，采纳自研算法相比于 s-BASE 的训练吞吐晋升了 1.17 倍。

基于PAI DLC的GPT-MoE预训练

Rapidformer为EasyNLP中各种Transformer模型提供训练减速能力，这是通过有机整合微软的DeepSpeed，英伟达的Megatron来做到的，如下图所示：

在GPT-MoE大模型的预训练中，咱们用到的次要训练减速核心技术包含：

混合精度训练（Mixed Precision Training） 采纳混合精度训练的益处次要有以下两点：1. 缩小显存占用，因为FP16的内存占用只有FP32的一半，天然地就能够帮忙训练过程节俭一半的显存空间。2. 放慢训练和推断的计算，FP16除了能节约内存，还能同时节俭模型的训练工夫。具体原理如下图所示，外围是在反向流传参数更新的时候须要保护一个FP32的备份来防止舍入误差，另外会通过Loss Scaling来缓解溢出谬误。

选择性激活重算（Selective Activation Recomputation）在神经网络两头设置若干个检查点(checkpoint)，检查点以外的两头后果全副舍弃，反向流传求导数的工夫，须要某个两头后果就从最近的检查点开始计算，这样既节俭了显存，又防止了从头计算的繁琐过程。理论应用时，有些layers产生的激活值大然而计算量小，须要选择性的过滤掉这一部分的激活值，保留重要的激活值，以节俭重计算量。

Zero优化器状态切分 （The Zero Redundancy Optimizer）是一种用于大规模分布式深度学习的新型内存优化技术。ZeRO具备三个次要的优化阶段别离对应于优化器状态，梯度和参数的划分。咱们这里应用的是Zero-1优化器状态分区。

序列并行 （Sequence Parallelism）是一种对长序列进行切分从而减速训练的技术，在Tensor Parallelism的根底上，将Transformer核的LayerNorm以及Dropout层的输出按Sequence Length维度进行了切分，使得各个设施下面只须要做一部分的Dropout和LayerNorm即可。这样做的益处有两个：1. LayerNorm和Dropout的计算被平摊到了各个设施上，缩小了计算资源的节约；2. LayerNorm和Dropout所产生的激活值也被平摊到了各个设施上，进一步升高了显存开销。

接下来咱们通过PAI-DLC产品来演示如何执行GPT-MoE的根底预训练。

环境筹备

首先通过阿里云产品机器学习平台PAI页进入容器训练DLC创立新的训练任务，如下图所示。

有三个要害的中央须要配置，别离是专属镜像，数据集以及执行命令。节点镜像地址配置为：http://pai-image-manage-registry.cn-shanghai.cr.aliyuncs.com/pai/pai-rf-image-poc-moe:0.2。执行命令配置为：

cd /workspace/RapidformerPro/examples/megatron &&bash dlc_run_pretrain_megatron_gpt.sh run 1 jiebabpe 0.125B 8 0 1 1 sel none 10000

其中dlc_run_pretrain_megatron_gpt.sh能够从EasyNLP的github中获取：https://github.com/alibaba/EasyNLP/blob/master/examples/rapidformer/gpt_moe/run_pretrain_megatron_gpt.sh 传递给dlc_run_pretrain_megatron_gpt.sh的次要有以下11个参数，别离是：

MODE=$1                     #run or debugGPUS_PER_NODE=$2            #申请的卡数TOKENIZER=$3                #中文jiebabpe，英文gpt2bpeMODEL_SIZE=$4               #0.125B, 0.35B, 1.3B, 3.6B 等等MOE=$5                      #专家数量RT=$6                       #路由类型BATCH_SIZE=$7               #batch sizeTP=$8                       #模型并行度AC=$9                       #激活检查点类型ZERO=${10}                  #是否关上zero-1SAVE_INTERVAL=${11}         #报错ckpt的step数

资源&数据筹备

因为预训练数据集体积比拟大，采纳下载的形式不是很不便。借助于DLC提供的OSS门路的挂载性能，能够很不便的间接应用存储在OSS上的大规模预训练数据集。

工作资源配置倡议应用单机八卡A100来训练1.3B以上的GPT-MoE模型。

工作创立

工作创立实现后，进入工作监控页面察看工作执行状态，如下所示：

点击日志查看运行状态，如下所示：

基于PAI DSW的GPT-MoE微调诗歌生成

应用DLC实现GPT-MoE的根底预训练后，还须要对模型进行微调能力在上游工作生成畛域比方诗歌，小说，文等畛域取得比拟好的生成成果。接下来咱们通过PAI-DSW产品来演示如何执行GPT-MoE的上游工作微调。咱们以0.35B+MoE64的GPT大模型为例，尝试对诗歌生成工作进行微调来取得比拟好的生成成果。

环境筹备

首先创立DSW工作，资源类型抉择单机八卡V100-32G，如下所示：

因为预训练checkpoint体积比拟大，采纳下载的形式不是很不便。借助于DSW提供的OSS门路的挂载性能，能够很不便的间接应用存储在OSS上的预训练模型来进行上游工作微调，配置办法如下图所示。

接着配置镜像，采纳和DLC中同样的镜像地址：http://pai-image-manage-registry.cn-shanghai.cr.aliyuncs.com/pai/pai-rf-image-poc-moe:0.2

创立好后，点击关上进入到DSW交互式开发环境

数据筹备

首先，您须要下载用于本示例的训练和测试集，并创立保留模型的文件夹，命令如下：

!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/train.tsv!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/dev.tsv

--2023-01-05 06:45:39--  https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/train.tsvResolving atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)... 47.101.88.27Connecting to atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)|47.101.88.27|:443... connected.HTTP request sent, awaiting response... 200 OKLength: 43411824 (41M) [text/tab-separated-values]Saving to: ‘train.tsv’train.tsv           100%[===================>]  41.40M  33.2MB/s    in 1.2s    2023-01-05 06:45:40 (33.2 MB/s) - ‘train.tsv’ saved [43411824/43411824]--2023-01-05 06:45:41--  https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/dev.tsvResolving atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)... 47.101.88.27Connecting to atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)|47.101.88.27|:443... connected.HTTP request sent, awaiting response... 200 OKLength: 208167 (203K) [text/tab-separated-values]Saving to: ‘dev.tsv’dev.tsv             100%[===================>] 203.29K  --.-KB/s    in 0.1s    2023-01-05 06:45:41 (1.69 MB/s) - ‘dev.tsv’ saved [208167/208167]

数据下载实现后，能够通过以下代码查看第一条数据。在训练集验证集中，每一行为一条诗歌数据。

print('Training data sample:')! head -n 1 train.tsvprint('Development set data sample:')! head -n 1 dev.tsv

Training data sample:半成长以客为家，罢直初来瀚海槎。始信世间行不尽，咫尺更复有咫尺。Development set data sample:云髻高梳鬓不分，排除虚室事元君。新糊白纸屏风上，尽画蓬莱五色云。

初始化

在EasyNLP专属镜像环境下，咱们首先引入模型运行须要的各种库，并做一些初始化。在本教程中，咱们应用gpt-moe-0.35B+MoE64作为预训练模型底座。

from functools import partialimport torchfrom megatron import get_argsfrom megatron.model import ModelTypefrom megatron.utils import (average_losses_across_data_parallel_group,get_ltor_masks_and_position_ids)from rapidformer.application.zeroshot_nlu.zeroshot_gpt_finetuner import \GPTFinetunerfrom rapidformer.dataset.gpt_dataset import GPTDatasetfrom rapidformer.engine.engine import RapidformerEnginefrom rapidformer.engine.initialize import get_tokenizerfrom rapidformer.model.transformer.gpt_model import GPTModel

模型训练&评估

finetuner = MegatronGPTMoEFinetuner(engine=engine)finetuner.train()

一步执行

值得一提的是，上述所有训练/评估，都曾经被集成到EasyNLP/examples/rapidformer/gpt_moe/finetune_megatron_gpt.py中，可采纳间接执行脚本文件EasyNLP/examples/rapidformer/gpt_moe/run_finetune_text_generation_gpt.sh的形式，一步执行上述所有训练/评估。依据脚本run_finetune_text_generation_gpt.sh，须要设置的具体参数如下：

TASK_NAME=$1                    #工作名称，这里是poetryTRAIN_DATASET_PATH=$2           #训练集门路VALID_DATASET_PATH=$3           #验证集门路PRETRAIN_CHECKPOINT_PATH=$4     #预训练模型门路MODEL_SIZE=$5                   #预训练模型大小MOE=$6                          #专家数量RT=$7                           #路由类型BATCH_SIZE=$8                   #batch sizeEPOCH=$9                        #训练轮次TP=${10}                        #模型并行度AC=${11}                        #激活检查点类型ZERO=${12}                      #降显存类型SEQ_LEN=${13}                   #序列长度

sh run_finetune_text_generation_gpt.shpoetry/mnt/workspace/train.tsv/mnt/workspace/train.tsv/workspace/checkpoints/wudao-megatron-gpt-moe-64-0.35B-lr-3e-4-bs-4-gbs-256-tp-1-ac-sel-zero-none0.35B640 1621selnone128

剖析Tensorboard

剖析Tensorboard，比照不同试验参数设置，比方咱们抉择调试训练轮次别离是2和5，察看收敛曲线的变动，如下所示：

从上图能够看出，训练轮次越大，验证集loss越低，收敛成果越好。于是咱们抉择训练5个epoch后的ckpt来做诗歌生成的预测

模型预测

文本生成成果预测曾经被集成到EasyNLP/examples/rapidformer/gpt_moe/generate_text_gpt.py中，可采纳间接执行脚本文件EasyNLP/examples/rapidformer/gpt_moe/run_text_generation_gpt.sh的形式，一步执行诗歌生成和预测。首先依照如何格局筹备预测用的数据集。

[    {        "id": 0,        "txt": "大漠孤烟直"    },    {        "id": 1,        "txt": "江上归帆天际开"    }]

而后依据脚本run_finetune_text_generation_gpt.sh外面的参数设置，运行命令：sh run_text_generation_gpt.sh

CHECKPOINT_PATH=$1           #微调后的模型门路MODEL_SIZE=$2                #模型大小MOE=$3                       #专家数量SEQ_LEN=$4                   #序列长度TOP_K=$5                     #topkINPUT_SEQ_LEN=$6             #输出最大长度OUTPUT_SEQ_LEN=$7            #输入最大长度INPUT_FILE=$8                #输出文件门路OUTPUT_FILE=$9               #输入文件门路

sh run_text_generation_gpt.sh/workspace/checkpoints/finetune-poetry-ckpts0.35B64128520128input_poetryoutput_poetry

生成后果如下：

{    "id": 0,    "prompt": "大漠孤烟直",    "output_poetry": "大漠孤烟直,雄哉太山岑。万古长松树,青青如碧玉。"}{    "id": 1,    "prompt": "江上归帆天际开",    "output_poetry": "江上归帆天际开,一帆秋色望中来。何当一洗三千丈,万里风风尽下来。"}

基于PAI EAS的在线推理部署

应用DSW实现GPT-MoE在上游工作上的微调后，就能够在线部署上游文本生成工作的服务了。接下来咱们通过PAI-EAS产品来演示如何执行GPT-MoE的上游工作服务的在线部署。

开发基于FasterTransformer的Processor

首先应用Faster Transformer Converter将微调后的诗歌模型进行格局转换

cd ~/RapidformerPro/examples/fastertransformer

sh run_convert.sh

model_type=$1             #模型类型：dense or moetokenizer=$2              #分词器类型：gpt2bpe or jiebabpeinfer_gpu_num=$3          #推理用的卡数INPUT_DIR=$4              #微调后的模型路径名SAVED_DIR=$5              #转换后的模型路径名

而后基于EAS提供的开发参考https://help.aliyun.com/document_detail/130248.html，开发文本生成processor。外围process办法参考如下

    def process(self, data):        """ process the request data        """        data_str = data.decode('utf-8')        data_json = json.loads(data_str)        data = self.pre_proccess(data)        contexts = [data_json['inputs'][0]]        user_parameters = data_json['parameters']        max_length = int(user_parameters['max_length'])        seed = 42        top_k = int(user_parameters['top_k'])        self.top_k = top_k        self.output_len = max_length        start_ids = [            torch.IntTensor(                self.tokenzer.tokenize(                    c.replace('\n', '\n').replace('\"', '"')))            for c in contexts        ]        start_lengths = [len(ids) for ids in start_ids]        start_ids = pad_sequence(start_ids,                                 batch_first=True,                                 padding_value=self.end_id)        start_lengths = torch.IntTensor(start_lengths)        torch.manual_seed(seed)        random_seed_tensor = torch.zeros([1], dtype=torch.int64)        with torch.no_grad():            tokens_batch = self.gpt(                start_ids, start_lengths, self.output_len, self.beam_width,                self.top_k *                torch.ones(size=[self.max_batch_size], dtype=torch.int32),                self.top_p *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.beam_search_diversity_rate *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.temperature *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.len_penalty *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.repetition_penalty *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                random_seed_tensor, self.return_output_length,                self.return_cum_log_probs)            if self.return_cum_log_probs > 0:                tokens_batch, _, cum_log_probs = tokens_batch                print('[INFO] Log probs of sentences:', cum_log_probs)            outputs = []            batch_size = min(len(contexts), self.max_batch_size)            outputs_token = np.ones([batch_size, self.output_len], dtype=int)            tokens_batch = tokens_batch.cpu().numpy()            for i, (context, tokens) in enumerate(zip(contexts, tokens_batch)):                for beam_id in range(self.beam_width):                    token = tokens[beam_id][:start_lengths[i] +                                            self.output_len]                    token = token[~np.isin(token, torch.tensor([7]))]                    output = self.tokenzer.detokenize(token)                    outputs.append(output)                    print(f'[INFO] batch {i}, beam'                          f' {beam_id}:'                          f' \n[Context]\n{context}\n\n[Output]\n{output}\n')                    output_token = tokens[beam_id][                        start_lengths[i]:start_lengths[i] + self.output_len]                    outputs_token[i] = output_token            outputs = [o.replace('\n', '\n') for o in outputs]        result_dict = {'text': outputs[0]}        return get_result_str(result_dict=result_dict)

搭建在线服务

基于ModelScope的在线文本生成演示

咱们曾经搭建了诗歌，广告文案，作文三个文本生成服务，具体的在线体验地址是：https://www.modelscope.cn/organization/PAI

咱们能够批改modelscope页面上的README.md信息来设计利用款式

tasks:- text-generationwidgets:- examples:- name: 1title: 诗歌生成inputs:- name: textdata: 大漠孤烟直parameters:- name: max_lengthtype: intvalue: 128- name: top_ktype: intvalue: 5

在modelscope上出现进去的成果如下所示：

参考文献

[1] . Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer

[2]. GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding

[3]. Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity

[4]. BASE Layers: Simplifying Training of Large, Sparse Models

[5]. Hash Layers For Large Sparse Models

[6]. TAMING SPARSELY ACTIVATED TRANSFORMER WITH STOCHASTIC EXPERTS

[7]. GLaM: Efficient Scaling of Language Models with Mixture-of-Experts

[8]. Unified Scaling Laws for Routed Language Models

[9]. Designing Effective Sparse Expert Models

[10]. Large Margin Deep Networks for Classification

相干浏览

阿里灵杰：中文稠密GPT大模型落地 — 通往低成本&高性能多任务通用自然语言了解的要害里程碑