介紹一種基于Transformer的大語言模型

譯者按: 最近一段時間，ChatGPT 作為一個現(xiàn)象級應(yīng)用迅速躥紅，也帶動了對其背后的大語言模型 (LLM) 的討論，這些討論甚至出了 AI 技術(shù)圈，頗有些到了街談巷議的程度。在 AI 技術(shù)圈，關(guān)于 LLM 和小模型的討論在此之前已經(jīng)持續(xù)了不短的時間，處于不同生態(tài)位置和產(chǎn)業(yè)環(huán)節(jié)的人都有表達自己的觀點，其中不少是有沖突的。

大模型的研究者和大公司出于不同的動機站位 LLM，研究者出于對 LLM 的突現(xiàn)能力 (emergent ability) 的好奇和對 LLM 對 NLP 領(lǐng)域能力邊界的拓展、而大公司可能更多出自于商業(yè)利益考量；而社區(qū)和中小公司猶猶豫豫在小模型的站位上徘徊，一方面是由于對 LLM 最終訓(xùn)練、推理和數(shù)據(jù)成本的望而卻步，一方面也是對大模型可能加強大公司數(shù)據(jù)霸權(quán)的隱隱擔憂。但討論，尤其是公開透明的討論，總是好事，讓大家能夠聽到不同的聲音，才有可能最終收斂至更合理的方案。

我們選譯的這篇文章來自于 2021 年 10 月的 Hugging Face 博客，作者在那個時間點站位的是小模型，一年多以后的 2023 年作者的觀點有沒有改變我們不得而知，但開卷有益，了解作者當時考慮的那些點，把那些合理的點納入自己的思考體系，并結(jié)合新的進展最終作出自己的判斷可能才是最終目的。

不久前，微軟和 Nvidia 推出了 Megatron-Turing NLG 530B，一種基于 Transformer 的模型，被譽為是 “世界上最大且最強的生成語言模型”。

毫無疑問，此項成果對于機器學(xué)習(xí)工程來講是一場令人印象深刻的能力展示，表明我們的工程能力已經(jīng)能夠訓(xùn)練如此巨大的模型。然而，我們應(yīng)該為這種超級模型的趨勢感到興奮嗎？我個人傾向于否定的回答。我將在通過本文闡述我的理由。

這是你的深度學(xué)習(xí)大腦

研究人員估計，人腦平均包含 860 億個神經(jīng)元和 100 萬億個突觸?？梢钥隙ǖ氖牵@里面并非所有的神經(jīng)元和突觸都用于語言。有趣的是，GPT-4 預(yù)計有大約 100 萬億個參數(shù)...... 雖然這個類比很粗略，但難道我們不應(yīng)該懷疑一下構(gòu)建與人腦大小相當?shù)恼Z言模型長期來講是否是最佳方案？

當然，我們的大腦是一個了不起的器官，它經(jīng)過數(shù)百萬年的進化而產(chǎn)生，而深度學(xué)習(xí)模型僅有幾十年的歷史。不過，我們的直覺告訴我們: 有些東西無法計算 (這是個雙關(guān)語，:)) 。

深度學(xué)習(xí)，深度銷金窟？

如你所料，在龐大的文本數(shù)據(jù)集上訓(xùn)練一個 5300 億參數(shù)的模型需要相當多的基礎(chǔ)設(shè)施。事實上，Microsoft 和 Nvidia 使用了數(shù)百臺 DGX A100 GPU 服務(wù)器，每臺 19 萬 9 千美元。如果再把網(wǎng)絡(luò)設(shè)備、托管成本等因素考慮進去的話，任何想要重現(xiàn)該實驗的組織或個人都必須花費近 1 億美元。來根薯條壓壓驚？

說真的，有哪些組織有那種值得花費 1 億美元來構(gòu)建深度學(xué)習(xí)基礎(chǔ)設(shè)施的業(yè)務(wù)？再少點，又有哪些組織有那種可以值得花費 1000 萬美元基礎(chǔ)設(shè)施的業(yè)務(wù)？很少。既然很少，那么請問，這些模型為誰而生呢？

GPU 集群的熱

盡管訓(xùn)練大模型需要杰出的工程能力，但在 GPU 上訓(xùn)練深度學(xué)習(xí)模型本身卻是一種蠻力技術(shù)。根據(jù)規(guī)格表，每臺 DGX 服務(wù)器可消耗高達 6.5 千瓦的功率。同時，數(shù)據(jù)中心 (或服務(wù)器機柜) 至少需要同樣多的冷卻能力。除非你是史塔克家族的人 (Starks) ，需要在冬天讓臨冬城 (Winterfell) 保持溫暖，否則你必須處理散熱問題。

此外，隨著公眾對氣候和社會責任問題意識的增強，還需要考慮碳足跡問題。根據(jù)馬薩諸塞大學(xué) 2019 年的一項研究，“在 GPU 上訓(xùn)練一次 BERT 產(chǎn)生的碳足跡大致與一次跨美飛行相當”。

BERT-Large 有 3.4 億個參數(shù)。我們可以通過此推斷 Megatron-Turing 的碳足跡大致如何……認識我的人都知道，我并不是一個熱血環(huán)保主義者。盡管如此，這些數(shù)字也不容忽視。

所以呢？

我對 Megatron-Turing NLG 530B 和接下來可能會出現(xiàn)的模型巨獸感到興奮嗎？不。我認為值得增加成本、復(fù)雜性以及碳足跡去換取 (相對較小的) 測試基準上的改進嗎？不。我認為構(gòu)建和推廣這些龐大的模型能幫助組織理解和應(yīng)用機器學(xué)習(xí)嗎？不。

我想知道這一切有什么意義。為了科學(xué)而科學(xué)？好的老營銷策略？技術(shù)至上？可能每個都有一點。如果是這些意義的話，我就不奉陪了。

相反，我更專注于實用且可操作的技術(shù)，大家都可以使用這些技術(shù)來構(gòu)建高質(zhì)量的機器學(xué)習(xí)解決方案。

使用預(yù)訓(xùn)練模型

在絕大多數(shù)情況下，你不需要自定義模型架構(gòu)。也許你會 想要 自己定制一個模型架構(gòu) (這是另一回事)，但請注意此處猛獸出沒，僅限資深玩家！

一個好的起點是尋找已經(jīng)針對你要解決的任務(wù)預(yù)訓(xùn)練過的模型 (例如，英文文本摘要) 。

然后，你應(yīng)該快速嘗試一些模型，用它們來預(yù)測你自己的數(shù)據(jù)。如果指標效果不錯，那么打完收工！如果還需要更高一點的準確率，你應(yīng)該考慮對模型進行微調(diào) (稍后會詳細介紹) 。

使用較小的模型

在評估模型時，你應(yīng)該從那些精度滿足要求的模型中選擇尺寸最小的那個。它預(yù)測得更快，并且需要更少的硬件資源來進行訓(xùn)練和推理。節(jié)儉需要從一開始就做起。

這其實也不算什么新招。計算機視覺從業(yè)者會記得 SqueezeNet 2017 年問世時，與 AlexNet 相比，模型尺寸減少了 50 倍，而準確率卻與 AlexNet 相當甚至更高。多聰明！

自然語言處理社區(qū)也在致力于使用遷移學(xué)習(xí)技術(shù)縮減模型尺寸，如使用知識蒸餾技術(shù)。DistilBERT 也許是其中最廣為人知的工作。與原始 BERT 模型相比，它保留了 97% 的語言理解能力，同時尺寸縮小了 40%，速度提高了 60%。你可以 Hugging Face 嘗試一下 DistilBERT。同樣的方法也已經(jīng)應(yīng)用于其他模型，例如 Facebook 的 BART，你可以在 Hugging Face 嘗試 DistilBART。

Big Science 項目的最新模型也令人印象深刻。下面這張來自于論文的圖表明，他們的 T0 模型在許多任務(wù)上都優(yōu)于 GPT-3，同時尺寸小 16 倍。你可以 Hugging Face 嘗試 T0。

微調(diào)模型

如果你需要特化一個模型，你不應(yīng)該從頭開始訓(xùn)練它。相反，你應(yīng)該對其進行微調(diào)，也就是說，僅針對你自己的數(shù)據(jù)訓(xùn)練幾個回合。如果你缺少數(shù)據(jù)，也許這些數(shù)據(jù)集中的某個可以幫助你入門。

猜對了，這是進行遷移學(xué)習(xí)的另一種方式，它會幫助你節(jié)省一切！

收集、存儲、清理和標注的數(shù)據(jù)更少，

更快的實驗和迭代，

生產(chǎn)過程所需的資源更少。

換句話說: 節(jié)省時間，節(jié)省金錢，節(jié)省硬件資源，拯救世界！

如果你需要教程，Hugging Face 課程可以幫助你立即入門。

使用云基礎(chǔ)設(shè)施

不管你是否喜歡它們，事實是云公司懂得如何構(gòu)建高效的基礎(chǔ)設(shè)施?？沙掷m(xù)性研究表明，基于云的基礎(chǔ)設(shè)施比其他替代方案更節(jié)能減排: 請參閱 AWS、Azure 和 Google。Earth.org 宣稱雖然云基礎(chǔ)設(shè)施并不完美，“[它] 比替代方案更節(jié)能，并促進了環(huán)境友好的服務(wù)及經(jīng)濟增長。"

在易用性、靈活性和隨用隨付方面，云肯定有很多優(yōu)勢。它也比你想象的更環(huán)保。如果你的 GPU 不夠用，為什么不嘗試在 AWS 的機器學(xué)習(xí)托管服務(wù) Amazon SageMaker 上微調(diào)你的 Hugging Face 模型？我們?yōu)槟銣蕚淞舜罅渴纠?/p>

優(yōu)化你的模型

從編譯器到虛擬機，軟件工程師長期以來一直在使用能夠針對任何運行硬件自動優(yōu)化代碼的工具。

然而，機器學(xué)習(xí)社區(qū)仍在這個課題上苦苦掙扎，這是有充分理由的。優(yōu)化模型的尺寸和速度是一項極其復(fù)雜的任務(wù)，其中涉及以下技術(shù):

專用硬件加速: 如訓(xùn)練加速硬件 (Graphcore、Habana) 、推理加速硬件 (Google TPU，AWS Inferentia)。

剪枝: 刪除對預(yù)測結(jié)果影響很小或沒有影響的模型參數(shù)。

融合: 合并模型層 (例如，卷積和激活) 。

量化: 以較小的位深存儲模型參數(shù) (例如，使用 8 位而不是 32 位)

幸運的是，自動化工具開始出現(xiàn)，例如 Optimum 開源庫和 Infinity，Infinity 是一個最低能以 1 毫秒的延遲提供 Transformers 推理能力的容器化解決方案。

結(jié)論

在過去的幾年里，大語言模型的尺寸平均每年增長 10 倍。這開始看起來像另一個摩爾定律。

這條路似曾相識，我們應(yīng)該知道這條路遲早會遇到收益遞減、成本增加、復(fù)雜性等問題以及新的風(fēng)險。指數(shù)的結(jié)局往往不是會很好。還記得 Meltdown and Spectre 嗎？我們想知道人工智能的 Meltdown and Spectre 會是什么嗎？

審核編輯：劉清