模型參數太多怎麼辦？用谷歌高效訓練庫GPipe啊

曉查 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

BigGan、BERT和GPT-2的出現表明，越大的神經網路模型可以帶來越好的性能。其中能寫出各種假新聞的GPT-2參數就有15億個之多。

如果你也在訓練一個參數超多的模型，那麼現在有個好消息要告訴你。

谷歌在最近公布的Lingvo框架下開源了GPipe。它讓研究人員不用調整超參數，就能用更多加速核心來訓練更大的模型和提升性能。

GPipe適用於多個連續層組成的任何DNN，而且訓練模型的大小與分區數成正比。

參數越多，效果越好

在計算機視覺圖像分類任務上，模型大小和分類準確性之間存在很強的相關性。

不同圖像分類模型在ImageNet上的表現，顯示出準確度和參數數量的強相關性

從2014年到2017年，ImageNet視覺識別的冠軍的準確度從74.8%提升到了82.7%，模型參數增加了36倍。

而在這三年間，GPU顯存僅僅增加了3倍，因此迫切需要一種高效的神經網路訓練庫來解決參數太多的問題。

核心越多，參數越多

GPipe就可以減少參數模型對內存的佔用。

谷歌研究人員在8核心64GB內存的雲TPUv2進行測試。如果沒有GPipe，由於內存的限制，每個加速核心只能訓練8200萬個參數。

使用GPipe後，活動內存從6.26 GB降低到3.46GB，可以在單個加速核心上訓練3.18億個參數，接近原來的4倍。

通過GPipe，AmoebaNet能夠在雲TPUv2上加入18億個參數，比沒有GPipe的情況下多25倍。

谷歌將AmoebaNet-D模型分配到四倍數量的加速核心上，實現了3.5倍的加速

GPipe不僅僅速度更快，在訓練模型的質量上也有提高。

為了驗證這一點，谷歌訓練了另一種圖像分類演算法AmoebaNet-B，它總共有5.57億個模型參數。

該演算法在一些常用的數據集上表現很好，將single-crop ImageNet精度提高到了84.3％，在CIFAR-10上的精度為99％，在CIFAR-100上的精度為91.3％。

GPipe為何能實現高效

原則上我們可以通過並行計算在GPU或者TPU上訓練更大的DNN模型。但是由於DNN的順序性，這種方法可能導致在計算期間只有一個加速器處於活動狀態，不能充分利用設備的計算能力。

谷歌在GPipe使用了兩種AI訓練技術：一種是同步隨機梯度下降，另一種是並行pipeline，將上一步的輸出作為流傳輸到下一步。

Gpipe將模型劃分到不同的加速核心，並自動將mini-batch的訓練樣本分成更小的micro-batch，並在pipeline中運行，使TPU核心能夠並行操作。

此外，梯度一直在micro-batch中累積，因此分區數量不會影響模型質量。

以上都是在雲TPUv2上的結果，實際上GPipe在雲TPUv3上有更好的性能，每個TPUv3都有16個加速器核心和256 GB（每個加速器16 GB）。用GPipe訓練80億參數的Transformer模型時，能實現11倍的加速。

開源地址：

https://github.com/tensorflow/lingvo/blob/master/lingvo/core/gpipe.py

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！