本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

單個GPU，只花一天時(shí)間，能把BERT訓(xùn)練成什么樣？

現(xiàn)在，終于有研究人員做這件事了，在有限的計(jì)算條件之下看看語言模型的真實(shí)性能如何。

要知道在以往，大多數(shù)專業(yè)人員的關(guān)注點(diǎn)都在極端計(jì)算的條件下的語言模型性能。

但這樣的語言訓(xùn)練模型環(huán)境，對很多研究人員和從業(yè)人員是不可能存在的。

因此這個單天單個GPU的挑戰(zhàn)，就有網(wǎng)友稱是一個最希望看到的基準(zhǔn)。

連ViT作者，谷歌大腦研究員Lucas Beyer都發(fā)文推薦，稱這是一個令人耳目一新的轉(zhuǎn)變。

具體的過程和結(jié)果如何，一起來看看～

挑戰(zhàn)過程

這次研究的目標(biāo)也很明確，就是反其道行之：縮小語言訓(xùn)練模型的算力，在有限的計(jì)算量的情況下如何達(dá)到BERT的性能水平。

既然要縮小計(jì)算量，那第一步肯定是對模型作出一些限定。

這也還是之前提到的，限定時(shí)間和GPU個數(shù)：單天單個GPU。

關(guān)于GPU，研究人員分別選取了3個進(jìn)行測試，即rtx2080ti、rtxa4000和rtxa6000，每個單元有4個CPU核和32GB內(nèi)存。

在限定計(jì)算量之后，就要對模型的其他參數(shù)進(jìn)行一些調(diào)整，以進(jìn)一步對BERT的實(shí)際適用性進(jìn)行評估。

這些調(diào)整包括初始數(shù)據(jù)設(shè)置、模型架構(gòu)、訓(xùn)練以及數(shù)據(jù)集的改進(jìn)。

并且在調(diào)整的過程中，整體基調(diào)都是圍繞“實(shí)際使用”進(jìn)行的，避免跳轉(zhuǎn)到專業(yè)的設(shè)置，為此，研究人員將所有內(nèi)容都保持在PyTorch框架的實(shí)現(xiàn)級別上。

先來說說初始數(shù)據(jù)設(shè)置，這部分可以簡單概括為以下幾點(diǎn)：

• 將標(biāo)記化的數(shù)據(jù)打包成長度為128的隨機(jī)序列，不相關(guān)的片段用分割；
• 刪除< cls > 標(biāo)記，因?yàn)樵谟?xùn)練前訓(xùn)練中加入它并沒有對性能產(chǎn)生多大影響；
• 將序列長度為64到96微小批量累積到大批量再處理。

然后是對架構(gòu)的修改，下圖顯示了不同模型在隨著token數(shù)量的增加MLM任務(wù)損失的變化。

結(jié)果很顯然，一個模型損失的衰減很大程度地取決于模型的大小，而不是模型的類型。

并且，因?yàn)槊總€token的性能與模型大小之間的關(guān)系緊密耦合，若想通過改變Transformer模型的大小和類型來獲得巨大性能增益是不太可能的。

不過對于同大小的所有模型，每個梯度效率是幾乎保持不變的，因此可以在保證模型大小不變的情況下，選擇能夠通過快速搜索加速計(jì)算的架構(gòu)。

具體的優(yōu)化和其他調(diào)整如下：

• 減少注意力頭的數(shù)量來降低梯度成本：禁用所有QKV偏差；
• 禁用所有線性層偏差，通過加速梯度計(jì)算，不會對模型大小產(chǎn)生明顯影響；
• 實(shí)現(xiàn)比例正弦位置嵌入，相較于學(xué)習(xí)或非比例正弦嵌入有增量收益；
• LN的預(yù)標(biāo)準(zhǔn)化比后LN更有益；
• 去除非線性頭部并無影響。

接下來便要對訓(xùn)練進(jìn)行設(shè)置，具體也就不再贅述，直接來看相關(guān)調(diào)整：

• 優(yōu)化器依舊是Adam；
• 設(shè)定Learning Rate計(jì)劃和批量大?。?/li>
• 丟掉Dropout環(huán)節(jié)。（因?yàn)镈ropout會導(dǎo)致每秒更新的凈減少）

而在數(shù)據(jù)集方面，研究團(tuán)隊(duì)采用了兩種基于數(shù)據(jù)的途徑來更好地縮小規(guī)模，分別是以各種方式過濾、處理或排序現(xiàn)有的數(shù)據(jù)和交換數(shù)據(jù)源，具體可以看下表。

性能接近最初的BERT

在調(diào)整完各種參數(shù)后，這個單卡一天的BERT性能到底如何？直接看看最終的數(shù)據(jù)！

在下游性能評估時(shí)是通過GLUE來進(jìn)行的，下表能夠看到在3個不同顯卡上的得分，非常接近最初的BERT。

而當(dāng)模型訓(xùn)練計(jì)算量為16倍時(shí)，即（2天，在8個GPU），依舊是一樣的數(shù)據(jù)和設(shè)置，最終得到的結(jié)果比最初的BERT提高了很多，達(dá)到了RoBERTa的性能水平。

如果想了解更多，可以點(diǎn)擊下面鏈接查看論文原文～

?論文原文：???https://arxiv.org/abs/2212.14034?