首页-杏悦娱乐-注册登录首页
首页-杏悦娱乐-注册登录首页招商q+83670629天选团队刚刚,微软开源了一个可以在模型训练中加入完整 RLHF 流程的系统框架 ——DeepSpeed Chat。
但由于缺乏一个支持端到端的 RLHF 规模化系统,目前类 ChatGPT 模型的训练仍然十分困难。而 DeepSpeed Chat 的出现,正好补全了这个「bug」。
此前,昂贵的多 GPU 设置超出了许多研究者的能力范围,并且,即使能访问多 GPU 集群,现有的方法也无力负担数千亿参数 ChatGPT 模型的训练。
经过 DeepSpeed-Chat 的训练,13 亿参数版「ChatGPT」在问答环节上的表现非常亮眼。不仅能 get 到问题的上下文关系,而且给出的答案也有模有样。
在多轮对线 亿参数版「ChatGPT」所展示出的性能,也完全超越了这个规模的固有印象。
如果你只有大约 1-2 小时的咖啡或午餐休息时间,也可以尝试使用 DeepSpeed-Chat 训练一个「小玩具」。
团队特地准备了一个针对 1.3B 模型的训练示例,可在消费级 GPU 上进行测试。最棒的是,当你从午休回来时,一切都已准备就绪。
如果你只有半天的时间,以及一台服务器节点,则可以通过预训练的 OPT-13B 作为 actor 模型,OPT-350M 作为 reward 模型,来生成一个 130 亿参数的类 ChatGPT 模型:
如果你可以使用多节点集群或云资源,并希望训练一个更大、更高质量的模型。那么只需基于下面这行代码,输入你想要的模型大小(如 66B)和 GPU 数量(如 64):
具体来说,针对不同规模的模型和硬件配置,DeepSpeed-RLHF 系统所需的时间和成本如下:
DeepSpeed Chat 是一种通用系统框架,能够实现类似 ChatGPT 模型的端到端 RLHF 训练,从而帮助我们生成自己的高质量类 ChatGPT 模型。
开发者只需一个脚本,就能实现多个训练步骤,并且在完成后还可以利用推理 API 进行对线. DeepSpeed-RLHF 模块
DeepSpeed-RLHF 复刻了 InstructGPT 论文中的训练模式,并提供了数据抽象和混合功能,支持开发者使用多个不同来源的数据源进行训练。
DeepSpeed-Chat 的 RLHF 训练流程图示,包含了一些可选择的功能
EMA 和混合训练这两个训练特征,常常被其他的开源框架所忽略,因为它们并不会妨碍训练的进行。
为了应对这些挑战,研究者将 DeepSpeed 训练和推理的全部系统能力组成了一个统一的基础设施,即混合引擎(Hybrid Engine)。
用于加速 RLHF 流程中最耗时部分的 DeepSpeed 混合引擎设计
在 RLHF 训练的经验生成阶段的推理执行过程中,DeepSpeed 混合引擎使用轻量级的内存管理系统,来处理 KV 缓存和中间结果,同时使用高度优化的推理 CUDA 核和张量并行计算,与现有方案相比,实现了吞吐量(每秒 token 数)的大幅提升。
在训练期间,混合引擎启用了内存优化技术,如 DeepSpeed 的 ZeRO 系列技术和低阶自适应(LoRA)。
在单个节点的多个 GPU 上,DeepSpeed-Chat 在系统吞吐量方面比 CAI-Coati 提速 6-19 倍,HF-DDP 提速 1.4-10.5 倍。
团队表示,DeepSpeed-Chat 能够获得如此优异的结果,关键原因之一便是混合引擎在生成阶段提供的加速。
相关文章:
相关推荐:
网友评论: