Il prossimoProssima guida
Quantizzazione post-allenamento GPTQ e AWQ
Tecnico
GUIDA TECNICA
DeepSpeed (Microsoft) e Megatron-LM (NVIDIA) sono gli stack software che rendono effettivamente realizzabili modelli di training con miliardi di parametri su migliaia di GPU.
Ascolta questa guidaNarrato dall'IA · ~2 min
Senza di essi, i modelli di frontiera di oggi semplicemente non potrebbero rimanere nella memoria o terminare la formazione in un tempo ragionevole.
L'addestramento di un modello di grandi dimensioni su una GPU è impossibile perché i pesi, i gradienti e gli stati dell'ottimizzatore non si adattano. Questi stack dividono il lavoro su molte GPU. Megatron-LM è stato pioniere del parallelismo tensore, suddividendo le moltiplicazioni di matrici individuali all'interno di ogni strato sulle GPU, oltre al parallelismo della pipeline, che inserisce diversi strati su diverse GPU. Il contributo distintivo di DeepSpeed è ZeRO (Zero Redundancy Optimizer), che suddivide in partizioni gli stati, i gradienti e i parametri dell'ottimizzatore tra le GPU invece di replicarli, riducendo drasticamente la memoria per GPU. I due sono spesso combinati (Megatron-DeepSpeed) per addestrare modelli come BLOOM-176B e Megatron-Turing NLG. Aggiungono inoltre precisione mista, checkpoint di attivazione e offload su CPU o NVMe, quindi i modelli di grandi dimensioni si addestrano su hardware limitato.
Addestramento del modello multilingue aperto BLOOM-176B utilizzando lo stack combinato Megatron-DeepSpeed su centinaia di GPU.
Microsoft e NVIDIA addestrano il modello NLG Megatron-Turing da 530 miliardi di parametri con parallelismo 3D.
ZeRO-Offload consente ai ricercatori di mettere a punto modelli con molti miliardi di parametri su una singola GPU per workstation trasferendo gli stati dell'ottimizzatore alla RAM della CPU.
Utilizzo del checkpoint di attivazione in questi stack per adattarsi a finestre di contesto più lunghe ricalcolando le attivazioni invece di memorizzarle tutte.
Aspettatevi un'integrazione più stretta con l'FSDP (Fully Sharded Data Parallel) nativo di PyTorch, che ha assorbito molte idee ZeRO, offuscando il confine tra stack di ricerca e framework principali. Gli approcci guidati dal compilatore e i pianificatori automatici del parallelismo mirano a rimuovere l'ottimizzazione manuale. Man mano che i cluster di formazione crescono verso centinaia di migliaia di acceleratori, la tolleranza agli errori, la scalabilità elastica e la comunicazione sovrapposta con il calcolo diventano le frontiere ingegneristiche dominanti, insieme al supporto per nuovi hardware come NVIDIA Blackwell e chip di formazione personalizzati.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
DeepSpeed (Microsoft) e Megatron-LM (NVIDIA) sono gli stack software che rendono effettivamente realizzabili modelli di training con miliardi di parametri su migliaia di GPU. Senza di essi, i modelli di frontiera di oggi semplicemente non potrebbero rimanere nella memoria o terminare la formazione in un tempo ragionevole.
ZeRO (Zero Redundancy Optimizer) elimina la ridondanza della memoria suddividendo gli stati, i gradienti e i parametri dell'ottimizzatore tra le GPU anziché replicarli su ciascun dispositivo.
Il parallelismo del tensore suddivide la matematica all'interno di un singolo strato (come una grande moltiplicazione di matrice) su più GPU, che è la suddivisione intra-strato.
ZeRO Stage 3 frammenta i parametri oltre ai gradienti e agli stati dell'ottimizzatore, raccogliendoli su richiesta, offrendo la massima riduzione di memoria.
Il checkpoint di attivazione memorizza meno attivazioni intermedie e le ricalcola durante la backpropagation, scambiando calcoli aggiuntivi con memoria ridotta.
Il parallelismo 3D raggruppa tre strategie ortogonali: parallelismo dei dati, parallelismo del tensore (intra-strato) e parallelismo della pipeline (inter-strato).
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Quantizzazione post-allenamento GPTQ e AWQ
Tecnico