一、背景

我們之前的文章中介紹了幾種模型增長的方案，然而針對 LLM 場景卻又缺乏足夠的數(shù)據(jù)支撐以及最佳實(shí)踐。比如說不知道在 LLM 場景中這些方案的差異有多大，是否和模型規(guī)模、數(shù)據(jù)量、以及訓(xùn)練 FLOPs 有關(guān)？本文中我們介紹來自香港大學(xué)、清華大學(xué)和香港科技大學(xué)的 Stacking Your Transformer，作者做了大量的實(shí)驗來嘗試回答上述問題。

對應(yīng)的論文為：[2405.15319] Stacking Your Transformers: A Closer Look at Model Growth for Efficient LLM Pre-Training

對應(yīng)的 Blog：https://llm-stacking.github.io/

對應(yīng)的代碼庫：GitHub - tongxuluo/prts

PS：需要說明的是，論文中的實(shí)驗很多，這里也只列了一部分。當(dāng)然，也有待完善的地方，比如論文中對比了 4 個抽象的增長算子的影響，但這并不代表就完全等效于之前的工作，如果能有一些具體的對比會更清晰；此外，論文中大小模型訓(xùn)練數(shù)據(jù)量也和之前的方法很不同，比如 [2309.03852] FLM-101B: An Open LLM and How to Train It with $100K Budget 中先在 16B 模型訓(xùn)練 245.37B Token，然后在 51B 模型訓(xùn)練 39.64B Token，最后在 101B 模型訓(xùn)練 26.54B Token；而本文中的方案基本是在小規(guī)模模型訓(xùn)練很少的 Token，比如 10B 規(guī)模。

二、摘要

論文中，作者進(jìn)一步探索了模型擴(kuò)展在 LLM 預(yù)訓(xùn)練中的可行性。首先，作者確定了 3 個關(guān)鍵障礙：

• O1：缺乏全面的評估。
• O2：未經(jīng)測試的擴(kuò)展可行性。
• O3：缺乏經(jīng)驗指南。

為了解決 O1 問題，作者將現(xiàn)有的方案總結(jié)為 4 個原子增長算子，并在標(biāo)準(zhǔn)的 LLM 預(yù)訓(xùn)練中對其進(jìn)行了系統(tǒng)的評估。結(jié)果表明，與 Baseline 相比，深度堆疊算子 Gstack 表現(xiàn)出了顯著的加速，從而提升了在 8 個 NLP 基準(zhǔn)的整體性能?；诖耍髡呱钊氲难芯苛?Gstack，以便解決 O2 和 O3。對于 O2，作者實(shí)驗表明，Gstack 是可擴(kuò)展的，并且始終表現(xiàn)良好，例如，與直接使用 300B Token 訓(xùn)練的 7B 模型相比，Gstack 只使用 194B Token 就可以達(dá)到相同損失，加速 54.6%。對于 O3，作者通過建模確定 Gstack 的增長規(guī)劃（Growth Timing）和增長因子（Growth Factor），使其在常見的 LLM 預(yù)訓(xùn)練中更實(shí)用。

三、方法

3.1 O1：4 種增長算子

如下圖 Figure 2 所示，作者將之前方案中的生長方案總結(jié)為 4 個生長算子：

• （a）：Gdirect 通過拷貝、切分和堆疊的方式實(shí)現(xiàn)，分為寬度方向和深度方向。
• （b）：Glearn 通過學(xué)習(xí)映射函數(shù)的方式實(shí)現(xiàn)。
• （c）：Gzero 通過擴(kuò)充 0 值的方式實(shí)現(xiàn)。
• （d）：Grandom 通過隨機(jī)初始化然后增加 Mask 的方式實(shí)現(xiàn)。（PS：是否也可以不使用隨機(jī)初始化，比如拷貝后添加 Mask？）?

為了對比不同方法的效果，作者制定了一個統(tǒng)一的方案：總共兩個訓(xùn)練階段，增長前的小模型訓(xùn)練，增長后的大模型訓(xùn)練。其小模型訓(xùn)練的 Token 數(shù) d，大模型訓(xùn)練的 Token 數(shù) D 以及模型增長因子 g（對應(yīng)非 Embedding 參數(shù)） 作為超參。

如下圖 Figure 3 所示，作者先用 d=10B Token 預(yù)訓(xùn)練了一個 400M 參數(shù)的模型，然后擴(kuò)展為 1.1B 參數(shù)，對應(yīng)增長因子 g=4，并繼續(xù)使用額外的 D=97.5B Token 進(jìn)行訓(xùn)練，以此來驗證不同方案的效果。可以看出深度堆疊 Gdirect 獲得了最好的效果，與直接訓(xùn)練 100B Token大模型相比可以加速 49.1%，同時寬度擴(kuò)展基本都是負(fù)優(yōu)化。

PS：實(shí)際上采用不同的 d 來訓(xùn)練小模型得到的結(jié)果很不一樣，比如作者實(shí)際分別測試了使用 d=10B 和 d=50B Token 來訓(xùn)練小模型的結(jié)果，可以發(fā)現(xiàn)在 d=50B 的時候 Gzero 在深度上獲得了更好的結(jié)果， Grandom 在寬度上獲得更好的效果。

3.2 O2：Gstack 擴(kuò)展可行性

從上面可以看出，在作者 400M 的實(shí)驗中，模型深度堆疊的方案能獲得不錯的收益，因此作者也聚焦在模型深度堆疊場景。如下所示，作者將這種方式稱為 Gstack：

擴(kuò)展模型規(guī)模：如下圖 Figure 4 和 Figure 5 所示，作者在 3B 模型和 7B 模型上進(jìn)行了驗證，其中 g=4，d=10B，具體來說，小模型的層數(shù)分別是 3B 和 7B 模型的 1/4，小模型訓(xùn)練 10B Token：

• Figure 4：3B 模型從頭開始訓(xùn)練

• 訓(xùn)練 180B Token 達(dá)到 loss 與 Gstack 花費(fèi) 48.6% FLOPs 的 loss 相當(dāng)。
• 訓(xùn)練 240B Token 達(dá)到 loss 與 Gstack 花費(fèi) 54.5% FLOPs 的 loss 相當(dāng)。

• Figure 5：7B 從頭開始訓(xùn)練，160B，220B 和 280B Token 對應(yīng) Gstack 的 FLOPs 為 40.8%, 55.3% 和 53.8%。?

從上可以看出，當(dāng)對比 1B、3B 和 7B 模型時，Gstack 帶來的優(yōu)勢并沒有隨著模型尺寸的增加而減少，這意味著，即使更大的模型中也可以利用 Gstack 來加速。

擴(kuò)展數(shù)據(jù)規(guī)模：如下圖 Figure 6 所示，作者進(jìn)一步探索了不斷擴(kuò)展數(shù)據(jù)規(guī)模的時候 Gstack 是否還有優(yōu)勢。從 Figure 6a 可以看出，對于 410M 的模型，訓(xùn)練遠(yuǎn)超縮放法則確定的 Token 數(shù)（8B），模型的 Loss 一直在下降，并且 Gstack 一直能獲得更低的 Loss。如下圖 Figure 6b 所示，作者進(jìn)一步預(yù)估當(dāng)訓(xùn)練 Token 數(shù)達(dá)到 8T 時（1000倍），Gstack 對應(yīng)的 Loss 依然更低，表明擴(kuò)大數(shù)據(jù)規(guī)模 Gstack 依然會有加速的效果。

Scaling Laws：如下圖 Figure 7 所示，作者根據(jù) 410M、1.1B、3B、7B 模型的相關(guān)實(shí)驗擬合了縮放法則曲線。可以看出，Gstack 在基于此預(yù)估出來的 13B 和 70B 模型模型上依然能夠獲得加速：

3.3 O3：Growth Timing d 和 Growth Factor g

在上述的實(shí)驗中作者直接采用了 d=10B 和 g=4，那么這個是否是最佳組合呢，在小模型上訓(xùn)練更多數(shù)據(jù)是否能帶來更高的加速比？從 1 B 模型直接擴(kuò)展到 30B 模型是否可行？為了回答這些問題，作者通過建模來確定 d 和 g 的影響。

如下圖 Figure 8 所示，作者在 410M、1.1B 和 3B 模型上探索了 Growth Timing d 的影響?？梢钥闯觯瑢τ诮o定的 FLOP 預(yù)算，可以確定一個最優(yōu)的 Growth Timing d，比如說，對于 410M 模型，最優(yōu)的 d 為 5-10B Token，對于 1.1B 模型，最優(yōu)的 d 為 10-20B Token：

如下圖 Figure 9 所示，作者進(jìn)一步擬合了對于給定大模型預(yù)訓(xùn)練 Token 數(shù) C 和參數(shù)量 N 的情況下來預(yù)測 d 的曲線：

如下圖 Figure 10 所示，作者在 1.1B（24 層） 和 3B（32 層） 模型上探索了 Growth Factor g 的影響?？梢钥闯?，對于 1.1 B 的模型，最優(yōu)的 g 為 2-3 左右，對于 3B 模型，最優(yōu)的 g 為 4-5 左右。對于 3B 模型來說，即使 g=16 時（對應(yīng) small model 為 2 層） Gstack 依然能有加速。

四、附錄

4.1 如何堆疊？

在 [2011.13635] Progressively Stacking 2.0: A Multi-stage Layerwise Training Method for BERT Training Speedup 中，作者對 StackingBert-v1 進(jìn)行了擴(kuò)展。具體來說，將一個 N 層 Encoder 的模型分 K+1 次訓(xùn)練，第一次訓(xùn)練一個 N/k 層的 Bert 模型，然后每次擴(kuò)展 N/k 層并且進(jìn)行訓(xùn)練。其中綠色為凍結(jié)的層，紅色為訓(xùn)練的層。也就是每次擴(kuò)展后只訓(xùn)練新擴(kuò)展的層，全部擴(kuò)展完之后再解凍所有層繼續(xù)訓(xùn)練：

本文作者采用了稍有不同的方案，具體來說，不是逐層堆疊 N/k 個 Layer，而是分兩次堆疊。比如對于 6 層到 24 層的模型，第一次從 6 層到 12 層，第二次直接從 12 層到 24 層。作者也對兩種方案進(jìn)行了消融實(shí)驗，如下圖 Figure 33 所示，可以看出本文 Gstack 的方案會更優(yōu)一些：

此外，如下圖 Table 5 所示，作者也探索了不同的堆疊方式，比如只堆疊中間層，或只堆疊首/尾層，最終發(fā)現(xiàn)還是全部堆疊的方案最優(yōu)：

4.2 為什么沒保證 FPI？

Function Preserving Initialization（FPI）：目標(biāo)是給定一個源模型，用它初始化目標(biāo)模型，能保證給定相同的輸入，目標(biāo)模型和源模型有相同的輸出。

在之前的很多工作中都在嘗試保證 FPI，那是否一定要滿足這個要求呢？針對這個問題作者也做了一些實(shí)驗，具體來說，在 Gdirect 中通過添加噪聲（加 20% 噪聲），不加噪聲，以及從頭訓(xùn)練的方式進(jìn)行對比，如下圖 Figure 39 可以看出，初始階段加噪的效果確實(shí)更差，但是隨著 FLOPs 的增加，加噪的方式反而更好：

五、參考鏈接

1. ??https://arxiv.org/abs/2405.15319??
2. ??https://llm-stacking.github.io/??
3. ??https://github.com/tongxuluo/prts??
4. ??https://arxiv.org/abs/2309.03852??
5. ??https://arxiv.org/abs/2011.13635??

本文轉(zhuǎn)載自??AI閑談??，作者： AI閑談