IBM聯(lián)合PyTorch大幅改進在云計算訓練大型AI模型的效率

來源:十輪網
作者:十輪網
時間:2022-11-22
2394
IBM研究院與PyTorch合作,發(fā)展一個稱作rate_limiter的控件,能夠通過配置訓練時的內存,使得具有數(shù)十億參數(shù)的模型,也能夠在標準云計算網絡基礎設施,像是以太網絡上運行。

ib_mx_pytorch_cables_blank_1_68c12f0e6c.jpg

IBM研究院與PyTorch合作,發(fā)展一個稱作rate_limiter的控件,能夠通過配置訓練時的內存,使得具有數(shù)十億參數(shù)的模型,也能夠在標準云計算網絡基礎設施,像是以太網絡上運行。

當前的人工智能模型,只要使用簡單的文本題事,就能創(chuàng)造出圖像、歌曲甚至是網站,而這種具有數(shù)十億參數(shù)的模型,被稱為基礎模型,不需要大量時長的訓練與標記,基礎模型就可以被簡單地重新用于另一項任務。

基礎模型主要在高端的高性能計算(HPC)基礎設施上運行,雖然這些系統(tǒng)很可靠,但IBM提到,對于許多想要自己訓練基礎模型,并且僅供自己使用的人來說,HPC設備是一個極高的門檻,包括高端GPU搭配低延遲InfiniBand網絡系統(tǒng),以及各種專門的操作流程等。

而IBM研究人員與PyTorch分布式團隊合作,尋找出可在網絡硬件上,訓練大型人工智能模型的方法,而這個聯(lián)合小組也已經驗證,可以在Red Hat的OpenShift平臺上,使用基于以太網絡的常規(guī)網絡,來擴展和訓練大型模型。

使用PyTorch的完全分片資料平行技術(FSDP),該團隊可以在IBM Cloud上的標準以太網絡,訓練具有110億參數(shù)的模型,實現(xiàn)與HPC網絡系統(tǒng)同等規(guī)模的高效率訓練。研究人員提到,過去嘗試使用以太網絡,在PyTorch上訓練數(shù)十億參數(shù)的模型,但是效果不佳,遠低于訓練基礎模型所需要的性能,隨著模型規(guī)模增長,只有當GPU能夠完整包存模型副本和訓練狀態(tài)時,資料平行訓練的標準方法才能發(fā)揮作用。

雖然FSDP或DeepSpeed等新方法可以在訓練期間,有效地將模型和資料分散到多個GPU上,但也只限于HPC系統(tǒng),而無法在由以太網絡連接的系統(tǒng)上運行。為此,聯(lián)合研究團隊開發(fā)了一個FSDP API,并構建rate_limiter控件,該組件可以控制用于發(fā)送和接收張量所使用的內存,進而緩解系統(tǒng)的內存壓力,使效率較之前提高達4.5倍。

這項研究使用的基礎設施為現(xiàn)成的硬件,該系統(tǒng)在IBM Cloud上運行,由200個節(jié)點組成,每個節(jié)點有8張Nvidia A100 80GB顯卡,與96 vCPU、1.2TB CPU內存,節(jié)點內的顯卡以NVLink連接,顯卡之間帶寬為600 GBps,而節(jié)點之間通過兩條100 Gbps以太網絡連接,提供120 GBps可用帶寬。

該GPU系統(tǒng)自5月來持續(xù)運行,研究人員配置Red Hat OpenShift容器平臺執(zhí)行人工智能負載,用于大型人工智能模型的端到端訓練、微調和推理。研究人員提到,這是目前該產業(yè)中,第一個使用Kubernetes、PyTorch FSDP API和標準以太網絡,高效率實現(xiàn)高達110億個參數(shù)模型的用例,而這將有助于其他組織以更具成本效益的方式,在云計算訓練大型模型。

原文鏈接:點擊前往 >
版權說明:本文內容來自于十輪網,本站不擁有所有權,不承擔相關法律責任。文章內容系作者個人觀點,不代表快出海對觀點贊同或支持。如有侵權,請聯(lián)系管理員(zzx@kchuhai.com)刪除!
個人VIP