一行代碼訓練成本再降30%，AI大模型混合精度訓練再升級
FP8通過其獨特的數(shù)值表示方式，能夠在保持一定精度的同時，在大模型訓練中提高訓練速度、節(jié)省內(nèi)存占用，最終降低訓練成本。
AI大模型開發(fā)系統(tǒng)Colossal-AI的混合精度訓練再度升級，支持主流的BF16(O2) + FP8(O1)的新一代混合精度訓練方案。
僅需一行代碼，即可對主流LLM模型能夠獲得平均30%的加速效果，降低相應大模型開發(fā)成本，并保證訓練收斂性。
無需引入額外的手寫CUDA算子，避免了較長的AOT編譯時間和復雜的編譯環(huán)境配置。
開源地址：https://github.com/hpcaitech/ColossalAI
FP8混合精度訓練
低精度計算一直是GPU硬件發(fā)展趨勢。
從最早的FP32，到目前通用的FP16/BF16，再到Hopper系列芯片(H100, H200, H800等）支持的FP8，低精度計算速度越來越快，所需的內(nèi)存也越來越低，非常符合大模型時代對硬件的需求。
目前FP8混合精度訓練影響訓練結(jié)果的最大因素就是scaling方案，常見的方案有兩種：
- 延遲scaling
- 實時scaling
延遲scaling采用之前一段時間窗口內(nèi)的scaling值來估計當前scaling，同時將scaling的更新和矩陣乘法(gemm)融合起來。這種計算方法效率較高，但由于是估算的scaling，所以對收斂性影響較大。
實時scaling直接采用當前的張量值來計算scaling，所以計算效率較低，但是對收斂性影響較小。根據(jù)英偉達的報告，這兩種scaling方案的計算效率差距在10%以內(nèi)。
Colossal-AI采用了對訓練收斂性影響較小的實時scaling方案，同時實現(xiàn)有著不輸其他延遲scaling實現(xiàn)的性能。
在單卡H100上對矩陣乘法進行的測試，可以看到矩陣的維度越大，F(xiàn)P8的加速效果越明顯，而且Colossal-AI的實現(xiàn)與Transformer Engine的性能幾乎一致，如圖1所示。但Transformer Engine需要復雜的AOT編譯環(huán)境配置和較長的編譯時間。
圖片
△圖1. 單卡GEMM性能測試
為了實驗結(jié)果更貼近現(xiàn)實，Colossal-AI直接在主流LLM上進行了實際訓練的測試。
首先在H100單卡上進行了測試，以下測試中Transformer Engine (TE)采用的其默認的延遲scaling方案。
圖片
圖片
同時進行了收斂性測試，可以看到FP8混合精度訓練的loss曲線與bf16的基本一致，如圖4所示：
圖片
△圖4. H100單卡 LLaMA2-7B 混合精度訓練loss曲線
Colossal-AI還測試了H800多卡并行訓練場景下的性能。在單機8卡H800上訓練LLaMA2-7B，Colossal-AI FP8對比Colossal-AI BF16有35%的吞吐提升，對比Torch FSDP BF16有94%的吞吐提升。
圖片
在單機8卡H800上訓練LLaMA2-13B，Colossal-AI FP8對比Colossal-AI BF16有39%的吞吐提升。
圖片
在2機16卡H800上訓練Cohere Command-R 35B，Colossal-AI FP8對比Colossal-AI BF16有10%的吞吐提升，如圖7所示：
圖片
根據(jù)英偉達的報告和測試經(jīng)驗，對FP8混合精度訓練性能調(diào)優(yōu)有一些初步的認識：
- 盡量少使用張量并行，用流水線并行代替張量并行
- 模型hidden size越大，加速效果越明顯
- 矩陣乘法占比高的模型加速效果大
由于上述實驗中Command-R 35B采用了張量并行，所以加速效果不太明顯。
Colossal-AI對FP8的支持較為廣泛，各種并行方式都能和FP8混合精度訓練兼容。使用時，僅需在初始化plugin時開啟FP8即可：
from colossalai.booster.plugin import GeminiPlugin, HybridParallelPlugin, LowLevelZeroPlugin
...
plugin = LowLevelZeroPlugin(..., use_fp8=True)
plugin = GeminiPlugin(..., use_fp8=True)
plugin = HybridParallelPlugin(..., use_fp8=True)除此之外，無需多余的代碼和AOT編譯。
