FP8 và các định dạng có độ chính xác thấp
FP8 là định dạng số dấu phẩy động 8 bit cho phép các mô hình AI lưu trữ trọng số và chạy phép toán bằng cách sử dụng 1/4 bộ nhớ của các số 32 bit tiêu chuẩn.
Tổng quan
It is a key trick for making giant models cheaper and faster to train and serve.
Lặn sâu
Mạng lưới thần kinh được tạo thành từ hàng tỷ con số. Theo truyền thống, các số đó sử dụng 32 bit (FP32) hoặc 16 bit (FP16/BF16) mỗi số. FP8 thu nhỏ chúng xuống chỉ còn 8 bit, cắt giảm bộ nhớ và băng thông khoảng một nửa so với 16 bit. Có hai bố cục FP8 phổ biến: E4M3 (4 bit số mũ, 3 bit phần định trị) cho độ chính xác cao hơn nhưng phạm vi nhỏ hơn và E5M2 (5 số mũ, 2 phần định trị) cho phạm vi rộng hơn nhưng các bước thô hơn. Sự đánh đổi là độ trung thực: ít bit hơn có nghĩa là lỗi làm tròn. Để duy trì độ chính xác, các khung áp dụng các hệ số chia tỷ lệ trên mỗi tensor hoặc mỗi khối để điều chỉnh lại các giá trị thành phạm vi có thể sử dụng của FP8. GPU Hopper và Blackwell của NVIDIA đã bổ sung thêm công cụ ma trận phần cứng FP8, giúp nó trở nên thiết thực cho cả đào tạo và suy luận. Các định dạng mới hơn như MXFP8, MXFP4 và NVFP4 thậm chí còn có giá trị thấp hơn với các khối chia tỷ lệ vi mô được chia sẻ.
Hiểu biết kỹ thuật
Thách thức của FP8 là dải động. Chỉ với một số bit lũy thừa, các kích hoạt lớn hay nhỏ sẽ tràn hoặc tràn về 0. Cách khắc phục là chia tỷ lệ: nhân một tensor với một hệ số để các giá trị của nó nằm trong cửa sổ biểu thị của FP8, thực hiện tích lũy nhân FP8, sau đó chia lại, thường tích lũy các tổng một phần với độ chính xác cao hơn (FP16/FP32). E4M3 thường được sử dụng cho trọng lượng và kích hoạt, E5M2 cho độ dốc trong đó phạm vi quan trọng hơn độ chính xác.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của FP8 và các định dạng có độ chính xác thấp
Độ chính xác đang chạy đua xuống. Sau FP8 xuất hiện các định dạng chia tỷ lệ vi mô 4 bit (MXFP4, NVFP4) đóng gói tỷ lệ chia sẻ nhỏ trên mỗi khối nhỏ và phần cứng Blackwell hiện tăng tốc trực tiếp cho FP4. Mong đợi các công thức có độ chính xác hỗn hợp trong đó các lớp khác nhau sử dụng độ rộng bit khác nhau, cộng với việc đào tạo nhận thức lượng tử hóa tốt hơn để 4 bit trở thành mặc định cho suy luận. Trò chơi cuối cùng là ép các mô hình quy mô biên giới vào ít chip hơn, rẻ hơn mà không làm giảm chất lượng có thể đo lường được.
Triển khai trong thế giới thực
Đào tạo các mô hình ngôn ngữ lớn trên GPU NVIDIA Hopper/Blackwell sử dụng FP8 để tăng gấp đôi thông lượng so với BF16
Phục vụ suy luận chatbot trong FP8 để một mô hình phù hợp với ít GPU hơn và trả lời nhiều yêu cầu hơn mỗi giây
Sử dụng E5M2 để liên lạc gradient trong quá trình đào tạo phân tán nhằm cắt giảm băng thông mạng giữa các nút
Triển khai các mô hình lượng tử hóa MXFP4/NVFP4 để phù hợp với mô hình quy mô biên giới trên một GPU bộ nhớ cao duy nhất để có khả năng suy luận rẻ hơn
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the FP8 and Low-Precision Formats quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Định dạng tuần tự hóa mô hình
Câu hỏi thường gặp
What is FP8 and Low-Precision Formats?
FP8 là định dạng số dấu phẩy động 8 bit cho phép các mô hình AI lưu trữ trọng số và chạy phép toán bằng cách sử dụng 1/4 bộ nhớ của các số 32 bit tiêu chuẩn. Đó là một thủ thuật quan trọng để làm cho việc đào tạo và phục vụ các mô hình khổng lồ rẻ hơn và nhanh hơn.
Số FP8 sử dụng bao nhiêu bit so với số FP32 tiêu chuẩn?
FP8 sử dụng 8 bit trong khi FP32 sử dụng 32 bit, do đó FP8 chiếm một phần tư dung lượng lưu trữ và băng thông.
Nhãn 'E4M3' và 'E5M2' mô tả gì về định dạng FP8?
E4M3 có nghĩa là 4 bit số mũ và 3 bit mantissa; E5M2 có nghĩa là 5 số mũ và 2 bit mantissa. Nhiều bit số mũ hơn sẽ mở rộng phạm vi; nhiều bit mantissa thêm độ chính xác.
Tại sao đường ống FP8 áp dụng hệ số tỷ lệ cho tensor?
Với quá ít bit số mũ, các giá trị lớn sẽ tràn và các giá trị nhỏ sẽ tràn về 0. Tính năng chia tỷ lệ sẽ thay đổi tỷ lệ các thang đo thành cửa sổ có thể sử dụng của FP8 trước khi tính toán.
Sự đánh đổi nào là nhược điểm chính của việc sử dụng FP8?
Ít bit hơn có nghĩa là biểu diễn thô hơn và lỗi làm tròn nhiều hơn. Lợi ích là bộ nhớ và băng thông ít hơn nhiều và tính toán nhanh hơn trên phần cứng được hỗ trợ.
Thế hệ GPU NVIDIA nào đầu tiên bổ sung hỗ trợ phần cứng chuyên dụng cho phép toán ma trận FP8?
Các GPU dựa trên Hopper như H100 đã giới thiệu hỗ trợ FP8 Tensor Core và Blackwell sau đó đã mở rộng tính năng này sang FP4.