基于单机最高能效 270 亿参数 GPT 模型的文本生成与理解

2023-01-09
浙江
本文字数：9868 字
阅读完需：约 32 分钟

作者：李鹏，王玮，陈嘉乐，黄松芳，黄俊

单位：阿里云智能机器学习平台 PAI & 达摩院自然语言基础技术

概述

GPT 模型能较好的处理文本生成领域的各种任务，比如文本补全，自由问答，完形填空，写作文，写摘要，写小说，写诗歌等等。最近火爆全网的人工智能产品 ChatGPT 也是以 GPT 文本生成模型为底座。虽然 GPT 大模型作用在这些应用领域的效果很好，但是训练成本非常高。以 OpenAI 推出的 1750 亿的 GPT-3 为例，在 1024 张 A100GPU 上预估需要 34 天，一万亿参数的 GPT-3 在 3072 张 A100 显卡上也至少需要 84 天；微软/英伟达联合推出的 5300 亿的 NLG 模型，在 2048 张 A100 显卡上耗时了 3 个月的训练时间才能达到比较好的收敛效果。

针对 GPT 基础模型参数量大，训练 &推理硬件资源消耗过高等问题，基于 MoE 的稀疏化训练是目前最具竞争力的降本增效途径。MoE 的全称是 Mixture of Experts，其中的 Expert 对应的是 Transfomrer 模型的 MLP 层，在训练的时候从多个 MLP 中选取一个 MLP 进行激活（如下图所示）。这意味着模型可以在不增加计算强度（FLOPS/Bytes）的情况下，通过增加 MLP 模块的数量来增加模型参数量级，进而提升模型在下游任务上的泛化性能。采用 MoE 后的稀疏 Transformer 模型和同等质量（验证集 loss 以及 zeroshot nlu 下游任务性能）的稠密模型相比有将近 1.2 倍的训练吞吐性能提升，1.3 倍的推理吞吐性能提升。我们在稀疏架构总体设计的时候，选择让 MoE 跟纯 Transformer Decoder 架构的 GPT 进行有机结合。原因是 MoE 跟 Decoder 结合效果通常会好于跟 Encoder 的结合效果。具体来讲，Encoder 是通过随机 masking 的方式学习语言模型，而这种被随机 masked 的 token 会让 expert 的路由选择出现不均衡。另一方面，考虑到 Decoder 类的 GPT 模型比 Encoder 类的 Bert 模型有更广泛使用场景，因此我们采用 GPT+MoE 的技术架构路线，探索单机最高能效的绿色低碳 GPT 大模型训练 &推理软硬一体化适配技术在中文文本生成场景的落地可行性。

基于当前比较成熟的分布式 MoE 专家路由选择技术，采用 Switch Transformer[2]中的 top-1 路由机制。每个 Expert 根据如下的 softmax 函数被赋予一个概率值，取概率最高（top-1）的那个 Expert 当作网络的 FFN 层。其中 W_r 是做路由选择时需要学习的参数。

GPT-MoE 训练 &推理能效分析

基础预训练模型训练 &推理性能分析

任何一种稠密（Dense）的 GPT 模型，都有一种效果与之对应的训练 &推理速度更快的稀疏（MoE）GPT 模型。我们的目标是在受限硬件比如单机条件下找到这种 GPT-MoE 模型配置，然后通过对 MoE 算法进行改进来进一步提升它的训练能效。我们通过对比稠密 &稀疏模型的训练 &推理性能，来发现与稠密模型等价的高能效稀疏模型。

8 种 GPT 模型的参数量，模型结构，训练超参数如下表所示：

如下图所示，1.3B+MoE32/64 模型在相同的 step 下对比 1.3B dense 表现出更低的验证集 loss，其中 1.3B+MoE-64 模型的 loss 甚至低于 2.7B dense 模型

5 个模型中，0.35B+MoE-64 的训练吞吐速度最快，是其他模型的 2 倍左右。其余四个模型中，吞吐速度较高的是 1.3B dense 和 1.3B+MoE-32，1.3B+MoE-64 和 2.7B dense 的速度相近。如下图所示：

推理吞吐速度方面，1.3B Dense 的显存消耗最少，0.35B+MoE64 的延迟最低。

input_len = 20

output_len = 128

batch_size = 1

通过以上的图表分析，我们能大致判断出 2.7B-Dense 模型对应的高能效的稀疏模型是以 1.3B 的 dense 模型为底座，同时配置 32 或者 64 个专家的 MoE 模型。下面我们重点分析下 1.3B+MoE-32/64 和 2.7B dense 模型的性价比。在单机 A100 上预训练 200 个小时后，借助 Tensorboard 画出预训练验证集 loss 曲线。我们发现在验证集 loss 到达 2.16 时，1.3B+MoE-64 模型的收敛速度是 2.7B dense 的 1.17，1.3B+MoE-32 的收敛速度落后于 2.7B dense 模型 15%，如下图所示：

从下图中的基于 Faster Transformer 的单级单卡推理性能上看。1.3B+MoE-32 和 1.3B+MoE64 的吞吐速度差不多且都高于 2.6B dense 模型，这是符合预期的，因为他们的底座大小都只有 1.3B。

中文 ZeroShot-NLU 效果评测

中文文本生成效果评测

文本补全

诗歌生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_0.35B_MoE-64/summary

广告文案生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_1.3B_MoE-32/summary

作文生成

在线体验地址：https://www.modelscope.cn/models/PAI/nlp_gpt3_text-generation_1.3B_MoE-64/summary

自研 GPT-MoE 算法创新 &实验分析

背景

Top-1 Gating 是目前最主流也最有效的 Routing 算法，但是也有着明显的缺点。例如，在 Top-1 Gating 中，每一个 Token 仅会被交给一个 expert 处理，因此，时常会出现某些 expert 需要处理很多 token，而有些 expert 仅需处理极少数量的 token 的情况，这导致处理极少 token 的 expert 无法获得足够多的信息，无法得到充分的利用。

高能效专家路由选择

因此，我们自研了新的路由算法，如下图所示。我们的算法让 expert 主动选择固定数量（capacity）的 token，同一个 token 可以同时被不同的 expert 处理，从而使每一个 expert 都能得到充分的训练。

最后生成的 token 的表示，则采用 weighted sum 的方式，将来自不同 expert 生成的表示加权求和并经过 Expert Residual 模块，以获得最终的 token 表示。这样的表示，由于有多个 expert 的共同作用，因此更加鲁棒。

计算 expert 对 token 的偏好：

S = X * W_{e}

其中 $X \in R^{n * d}$ 是输入的 tokens 的表示， $W_{e} \in R^{d * e}$ 是 experts 的权重， $n$ 表示输入 token 的数量， $e$ 表示 expert 的数量， $d$ 表示隐藏特征的维度， $S \in R^{n * e}$ 为每一个 expert 对输入的每一个 token 的偏好程度；

2. L-Softmax 算法训练 expert 权重

训练过程中利用 L-Softmax loss 优化 experts 的权重 $W_{e}$ ，实现每一个 expert 对 token 都具有可区分的的偏好。

3. 每个 expert 选取固定数量的 token：

I = Topk (S, k)

其中， $k$ 就是我们预先确定的，每个 expert 可以处理的最多 token 的数量， $I \in R^{e * k}$ 记录了每个 expert 需要处理的 tokens 的索引；

4. 计算最后的输出：

X_{o u t} = a * ExpertResidual (Experts (X, I)) + (1 - a) * Experts (X, I)

每一个 expert 根据索引计算出对应 tokens 的表示，并将不同 expert 对同一 token 生成的表示加权求和，最后通过 Expert Residual 模块生成最终的输出 $X_{o u t}$ 。

实验分析

下图是采用自研算法与 Top-1 Gating、s-BASE 算法的验证集 loss 随训练 step 变化的曲线图，我们可以发现，采用自研算法的验证集 loss 始终低于 top-1 gating 和 s-BASE 算法的验证集 loss，证明了我们自研算法的有效性。

同时，我们观察到，验证集 loss 首次低于 2.7 的时间，自研算法的速度是 s-BASE 的 1.48 倍，极大的减少了模型训练的开销。

此外，我们也分析了自研算法和 Top-1 Gating、s-BASE 的训练吞吐，如下图所示，采用自研算法相比于 s-BASE 的训练吞吐提升了 1.17 倍。

基于 PAI DLC 的 GPT-MoE 预训练

Rapidformer 为 EasyNLP 中各种 Transformer 模型提供训练加速能力，这是通过有机整合微软的 DeepSpeed，英伟达的 Megatron 来做到的，如下图所示：

在 GPT-MoE 大模型的预训练中，我们用到的主要训练加速核心技术包括：

混合精度训练（Mixed Precision Training）采用混合精度训练的好处主要有以下两点：1. 减少显存占用，由于 FP16 的内存占用只有 FP32 的一半，自然地就可以帮助训练过程节省一半的显存空间。2. 加快训练和推断的计算，FP16 除了能节约内存，还能同时节省模型的训练时间。具体原理如下图所示，核心是在反向传播参数更新的时候需要维护一个 FP32 的备份来避免舍入误差，另外会通过 Loss Scaling 来缓解溢出错误。

选择性激活重算（Selective Activation Recomputation）在神经网络中间设置若干个检查点(checkpoint)，检查点以外的中间结果全部舍弃，反向传播求导数的时间，需要某个中间结果就从最近的检查点开始计算，这样既节省了显存，又避免了从头计算的繁琐过程。实际使用时，有些 layers 产生的激活值大但是计算量小，需要选择性的过滤掉这一部分的激活值，保留重要的激活值，以节省重计算量。

Zero 优化器状态切分 （The Zero Redundancy Optimizer）是一种用于大规模分布式深度学习的新型内存优化技术。ZeRO 具有三个主要的优化阶段分别对应于优化器状态，梯度和参数的划分。我们这里使用的是 Zero-1 优化器状态分区。

序列并行 （Sequence Parallelism）是一种对长序列进行切分从而加速训练的技术，在 Tensor Parallelism 的基础上，将 Transformer 核的 LayerNorm 以及 Dropout 层的输入按 Sequence Length 维度进行了切分，使得各个设备上面只需要做一部分的 Dropout 和 LayerNorm 即可。这样做的好处有两个：1. LayerNorm 和 Dropout 的计算被平摊到了各个设备上，减少了计算资源的浪费；2. LayerNorm 和 Dropout 所产生的激活值也被平摊到了各个设备上，进一步降低了显存开销。

接下来我们通过PAI-DLC产品来演示如何执行 GPT-MoE 的基础预训练。

环境准备

首先通过阿里云产品机器学习平台 PAI 页进入容器训练 DLC 创建新的训练任务，如下图所示。

有三个关键的地方需要配置，分别是专属镜像，数据集以及执行命令。节点镜像地址配置为：pai-image-manage-registry.cn-shanghai.cr.aliyuncs.com/pai/pai-rf-image-poc-moe:0.2。执行命令配置为：

cd /workspace/RapidformerPro/examples/megatron &&bash dlc_run_pretrain_megatron_gpt.sh run 1 jiebabpe 0.125B 8 0 1 1 sel none 10000

复制代码

其中 dlc_run_pretrain_megatron_gpt.sh 可以从 EasyNLP 的 github 中获取：https://github.com/alibaba/EasyNLP/blob/master/examples/rapidformer/gpt_moe/run_pretrain_megatron_gpt.sh 传递给 dlc_run_pretrain_megatron_gpt.sh 的主要有以下 11 个参数，分别是：

MODE=$1                     #run or debugGPUS_PER_NODE=$2            #申请的卡数TOKENIZER=$3                #中文jiebabpe，英文gpt2bpeMODEL_SIZE=$4               #0.125B, 0.35B, 1.3B, 3.6B 等等MOE=$5                      #专家数量RT=$6                       #路由类型BATCH_SIZE=$7               #batch sizeTP=$8                       #模型并行度AC=$9                       #激活检查点类型ZERO=${10}                  #是否打开zero-1SAVE_INTERVAL=${11}         #报错ckpt的step数

复制代码

资源 &数据准备

由于预训练数据集体积比较大，采用下载的方式不是很方便。借助于 DLC 提供的 OSS 路径的挂载功能，可以很方便的直接使用存储在 OSS 上的大规模预训练数据集。

任务资源配置建议使用单机八卡 A100 来训练 1.3B 以上的 GPT-MoE 模型。

任务创建

任务创建完成后，进入任务监控页面观察任务执行状态，如下所示：

点击日志查看运行状态，如下所示：

基于 PAI DSW 的 GPT-MoE 微调诗歌生成

使用 DLC 完成 GPT-MoE 的基础预训练后，还需要对模型进行微调才能在下游任务生成领域比如诗歌，小说，文等领域获得比较好的生成效果。接下来我们通过 PAI-DSW 产品来演示如何执行 GPT-MoE 的下游任务微调。我们以 0.35B+MoE64 的 GPT 大模型为例，尝试对诗歌生成任务进行微调来获得比较好的生成效果。

环境准备

首先创建 DSW 任务，资源类型选择单机八卡 V100-32G，如下所示：

由于预训练 checkpoint 体积比较大，采用下载的方式不是很方便。借助于 DSW 提供的 OSS 路径的挂载功能，可以很方便的直接使用存储在 OSS 上的预训练模型来进行下游任务微调，配置方法如下图所示。

接着配置镜像，采用和 DLC 中同样的镜像地址：pai-image-manage-registry.cn-shanghai.cr.aliyuncs.com/pai/pai-rf-image-poc-moe:0.2

创建好后，点击打开进入到 DSW 交互式开发环境

数据准备

首先，您需要下载用于本示例的训练和测试集，并创建保存模型的文件夹，命令如下：

!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/train.tsv!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/dev.tsv

复制代码

--2023-01-05 06:45:39--  https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/train.tsvResolving atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)... 47.101.88.27Connecting to atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)|47.101.88.27|:443... connected.HTTP request sent, awaiting response... 200 OKLength: 43411824 (41M) [text/tab-separated-values]Saving to: ‘train.tsv’
train.tsv           100%[===================>]  41.40M  33.2MB/s    in 1.2s    
2023-01-05 06:45:40 (33.2 MB/s) - ‘train.tsv’ saved [43411824/43411824]
--2023-01-05 06:45:41--  https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/text_generation_datasets/poetry/dev.tsvResolving atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)... 47.101.88.27Connecting to atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com (atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com)|47.101.88.27|:443... connected.HTTP request sent, awaiting response... 200 OKLength: 208167 (203K) [text/tab-separated-values]Saving to: ‘dev.tsv’
dev.tsv             100%[===================>] 203.29K  --.-KB/s    in 0.1s    
2023-01-05 06:45:41 (1.69 MB/s) - ‘dev.tsv’ saved [208167/208167]

复制代码

数据下载完成后，可以通过以下代码查看第一条数据。在训练集验证集中，每一行为一条诗歌数据。

print('Training data sample:')! head -n 1 train.tsvprint('Development set data sample:')! head -n 1 dev.tsv

复制代码

Training data sample:半生长以客为家，罢直初来瀚海槎。始信人间行不尽，天涯更复有天涯。Development set data sample:云髻高梳鬓不分，扫除虚室事元君。新糊白纸屏风上，尽画蓬莱五色云。

复制代码

初始化

在 EasyNLP 专属镜像环境下，我们首先引入模型运行需要的各种库，并做一些初始化。在本教程中，我们使用 gpt-moe-0.35B+MoE64 作为预训练模型底座。

from functools import partialimport torchfrom megatron import get_argsfrom megatron.model import ModelTypefrom megatron.utils import (average_losses_across_data_parallel_group,get_ltor_masks_and_position_ids)from rapidformer.application.zeroshot_nlu.zeroshot_gpt_finetuner import \GPTFinetunerfrom rapidformer.dataset.gpt_dataset import GPTDatasetfrom rapidformer.engine.engine import RapidformerEnginefrom rapidformer.engine.initialize import get_tokenizerfrom rapidformer.model.transformer.gpt_model import GPTModel

复制代码

模型训练 &评估

finetuner = MegatronGPTMoEFinetuner(engine=engine)finetuner.train()

复制代码

一步执行

值得一提的是，上述所有训练/评估，都已经被集成到 EasyNLP/examples/rapidformer/gpt_moe/finetune_megatron_gpt.py 中，可采用直接执行脚本文件 EasyNLP/examples/rapidformer/gpt_moe/run_finetune_text_generation_gpt.sh 的方式，一步执行上述所有训练/评估。根据脚本 run_finetune_text_generation_gpt.sh，需要设置的具体参数如下：

TASK_NAME=$1                    #任务名称，这里是poetryTRAIN_DATASET_PATH=$2           #训练集路径VALID_DATASET_PATH=$3           #验证集路径PRETRAIN_CHECKPOINT_PATH=$4     #预训练模型路径MODEL_SIZE=$5                   #预训练模型大小MOE=$6                          #专家数量RT=$7                           #路由类型BATCH_SIZE=$8                   #batch sizeEPOCH=$9                        #训练轮次TP=${10}                        #模型并行度AC=${11}                        #激活检查点类型ZERO=${12}                      #降显存类型SEQ_LEN=${13}                   #序列长度

复制代码

sh run_finetune_text_generation_gpt.shpoetry/mnt/workspace/train.tsv/mnt/workspace/train.tsv/workspace/checkpoints/wudao-megatron-gpt-moe-64-0.35B-lr-3e-4-bs-4-gbs-256-tp-1-ac-sel-zero-none0.35B640 1621selnone128

复制代码

分析 Tensorboard

分析 Tensorboard，对比不同实验参数设置，比如我们选择调试训练轮次分别是 2 和 5，观察收敛曲线的变化，如下所示：

从上图可以看出，训练轮次越大，验证集 loss 越低，收敛效果越好。于是我们选择训练 5 个 epoch 后的 ckpt 来做诗歌生成的预测

模型预测

文本生成效果预测已经被集成到 EasyNLP/examples/rapidformer/gpt_moe/generate_text_gpt.py

[    {        "id": 0,        "txt": "大漠孤烟直"    },    {        "id": 1,        "txt": "江上归帆天际开"    }]

复制代码

然后根据脚本 run_finetune_text_generation_gpt.sh 里面的参数设置，运行命令：sh run_text_generation_gpt.sh

CHECKPOINT_PATH=$1           #微调后的模型路径MODEL_SIZE=$2                #模型大小MOE=$3                       #专家数量SEQ_LEN=$4                   #序列长度TOP_K=$5                     #topkINPUT_SEQ_LEN=$6             #输入最大长度OUTPUT_SEQ_LEN=$7            #输出最大长度INPUT_FILE=$8                #输入文件路径OUTPUT_FILE=$9               #输出文件路径

复制代码

sh run_text_generation_gpt.sh/workspace/checkpoints/finetune-poetry-ckpts0.35B64128520128input_poetryoutput_poetry

复制代码

生成结果如下：

{	"id": 0,	"prompt": "大漠孤烟直",	"output_poetry": "大漠孤烟直,雄哉太山岑。万古长松树,青青如碧玉。"}{	"id": 1,	"prompt": "江上归帆天际开",	"output_poetry": "江上归帆天际开,一帆秋色望中来。何当一洗三千丈,万里风风尽下来。"}

复制代码

基于 PAI EAS 的在线推理部署

使用 DSW 完成 GPT-MoE 在下游任务上的微调后，就可以在线部署下游文本生成任务的服务了。接下来我们通过 PAI-EAS 产品来演示如何执行 GPT-MoE 的下游任务服务的在线部署。

开发基于 FasterTransformer 的 Processor

首先使用 Faster Transformer Converter 将微调后的诗歌模型进行格式转换

cd ~/RapidformerPro/examples/fastertransformer

sh run_convert.sh

model_type=$1             #模型类型：dense or moetokenizer=$2              #分词器类型：gpt2bpe or jiebabpeinfer_gpu_num=$3          #推理用的卡数INPUT_DIR=$4              #微调后的模型路径名SAVED_DIR=$5              #转换后的模型路径名

复制代码

然后基于 EAS 提供的开发参考https://help.aliyun.com/document_detail/130248.html，开发文本生成 processor。核心 process 方法参考如下

    def process(self, data):        """ process the request data        """        data_str = data.decode('utf-8')        data_json = json.loads(data_str)        data = self.pre_proccess(data)
        contexts = [data_json['inputs'][0]]        user_parameters = data_json['parameters']        max_length = int(user_parameters['max_length'])        seed = 42        top_k = int(user_parameters['top_k'])        self.top_k = top_k        self.output_len = max_length        start_ids = [            torch.IntTensor(                self.tokenzer.tokenize(                    c.replace('\\n', '\n').replace('\\"', '\"')))            for c in contexts        ]
        start_lengths = [len(ids) for ids in start_ids]        start_ids = pad_sequence(start_ids,                                 batch_first=True,                                 padding_value=self.end_id)        start_lengths = torch.IntTensor(start_lengths)        torch.manual_seed(seed)        random_seed_tensor = torch.zeros([1], dtype=torch.int64)
        with torch.no_grad():            tokens_batch = self.gpt(                start_ids, start_lengths, self.output_len, self.beam_width,                self.top_k *                torch.ones(size=[self.max_batch_size], dtype=torch.int32),                self.top_p *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.beam_search_diversity_rate *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.temperature *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.len_penalty *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                self.repetition_penalty *                torch.ones(size=[self.max_batch_size], dtype=torch.float32),                random_seed_tensor, self.return_output_length,                self.return_cum_log_probs)
            if self.return_cum_log_probs > 0:                tokens_batch, _, cum_log_probs = tokens_batch                print('[INFO] Log probs of sentences:', cum_log_probs)            outputs = []            batch_size = min(len(contexts), self.max_batch_size)            outputs_token = np.ones([batch_size, self.output_len], dtype=int)            tokens_batch = tokens_batch.cpu().numpy()            for i, (context, tokens) in enumerate(zip(contexts, tokens_batch)):                for beam_id in range(self.beam_width):                    token = tokens[beam_id][:start_lengths[i] +                                            self.output_len]                    token = token[~np.isin(token, torch.tensor([7]))]                    output = self.tokenzer.detokenize(token)                    outputs.append(output)                    print(f'[INFO] batch {i}, beam'                          f' {beam_id}:'                          f' \n[Context]\n{context}\n\n[Output]\n{output}\n')                    output_token = tokens[beam_id][                        start_lengths[i]:start_lengths[i] + self.output_len]                    outputs_token[i] = output_token
            outputs = [o.replace('\n', '\\n') for o in outputs]
        result_dict = {'text': outputs[0]}
        return get_result_str(result_dict=result_dict)

复制代码

搭建在线服务

基于 ModelScope 的在线文本生成演示

我们已经搭建了诗歌，广告文案，作文三个文本生成服务，具体的在线体验地址是：https://www.modelscope.cn/organization/PAI

我们可以修改 modelscope 页面上的 README.md 信息来设计应用样式

tasks:- text-generationwidgets:- examples:- name: 1title: 诗歌生成inputs:- name: textdata: 大漠孤烟直parameters:- name: max_lengthtype: intvalue: 128- name: top_ktype: intvalue: 5

复制代码

在 modelscope 上呈现出来的效果如下所示：

参考文献

[1] . Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer

[2]. GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding

[3]. Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity

[4]. BASE Layers: Simplifying Training of Large, Sparse Models

[5]. Hash Layers For Large Sparse Models

[6]. TAMING SPARSELY ACTIVATED TRANSFORMER WITH STOCHASTIC EXPERTS

[7]. GLaM: Efficient Scaling of Language Models with Mixture-of-Experts

[8]. Unified Scaling Laws for Routed Language Models

[9]. Designing Effective Sparse Expert Models

[10]. Large Margin Deep Networks for Classification

创作场景

基于单机最高能效 270 亿参数 GPT 模型的文本生成与理解

概述

GPT-MoE 训练 &推理能效分析

基础预训练模型训练 &推理性能分析

中文 ZeroShot-NLU 效果评测

中文文本生成效果评测

自研 GPT-MoE 算法创新 &实验分析

背景

高能效专家路由选择

实验分析

基于 PAI DLC 的 GPT-MoE 预训练

环境准备

资源 &数据准备

任务创建

基于 PAI DSW 的 GPT-MoE 微调诗歌生成

环境准备

数据准备

初始化

模型训练 &评估

一步执行

分析 Tensorboard

模型预测

基于 PAI EAS 的在线推理部署

开发基于 FasterTransformer 的 Processor

搭建在线服务

基于 ModelScope 的在线文本生成演示

参考文献

相关阅读

阿里云大数据AI技术

评论