本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
什么？单块GPU也能训练大模型了？
还是20系就能拿下的那种？？？
没开玩笑，事实已经摆在眼前：
- RTX 2060 6GB普通游戏本能训练15亿参数模型；
- RTX 3090 24GB主机直接单挑180亿参数大模型；
- Tesla V100 32GB连240亿参数都能拿下。
相比于PyTorch和业界主流的DeepSpeed方法，提升参数容量能达到10多倍。
而且这种方法完全开源，只需要几行代码就能搞定，修改量也非常少。
这波操作真是直接腰斩大模型训练门槛啊，老黄岂不是要血亏。
那么，搞出如此大名堂的是何方大佬呢？
它就是国产开源项目Colossal-AI。
自开源以来，曾多次霸榜GitHub热门第一。
△开源地址：https://github.com/hpcaitech/ColossalAI
主要做的事情就是加速各种大模型训练，GPT-2、GPT-3、ViT、BERT等模型都能搞定。
比如能半小时左右预训练一遍ViT-Base/32，2天训完15亿参数GPT模型、5天训完83亿参数GPT模型。
同时还能省GPU。
比如训练GPT-3时使用的GPU资源，可以只是英伟达Megatron-LM的一半。
那么这一回，它又是如何让单块GPU训练百亿参数大模型的呢？
我们深扒了一下原理~
高效利用GPU+CPU异构内存
为什么单张消费级显卡很难训练AI大模型？
显存有限，是最大的困难。
当今大模型风头正盛、效果又好，谁不想上手感受一把？
但动不动就“CUDA out of memory”，着实让人遭不住。
目前，业界主流方法是微软DeepSpeed提出的ZeRO （Zero Reduency Optimizer）。
它的主要原理是将模型切分，把模型内存平均分配到单个GPU上。
数据并行度越高，GPU上的内存消耗越低。
这种方法在CPU和GPU内存之间仅使用静态划分模型数据，而且内存布局针对不同的训练配置也是恒定的。
由此会导致两方面问题。
第一，当GPU或CPU内存不足以满足相应模型数据要求时，即使还有其他设备上有内存可用，系统还是会崩溃。
第二，细粒度的张量在不同内存空间传输时，通信效率会很低；当可以将模型数据提前放置到目标计算设备上时，CPU-GPU的通信量又是不必要的。
目前已经出现了不少DeepSpeed的魔改版本，提出使用电脑硬盘来动态存储模型，但是硬盘的读写速度明显低于内存和显存，训练速度依旧会被拖慢。
针对这些问题，Colossal-AI采用的解决思路是高效利用GPU+CPU的异构内存。
具体来看，是利用深度学习网络训练过程中不断迭代的特性，按照迭代次数将整个训练过程分为预热和正式两个阶段。
预热阶段，监测采集到非模型数据内存信息；
正式阶段，根据采集到的信息，预留出下一个算子在计算设备上所需的峰值内存，移动出一些GPU模型张量到CPU内存。
大概逻辑如下所示：
这里稍微展开说明下，模型数据由参数、梯度和优化器状态组成，它们的足迹和模型结构定义有关。
非模型数据由operator生成的中间张量组成，会根据训练任务的配置（如批次大小）动态变化。
它俩常干的事呢，就是抢GPU显存。
所以，就需要在GPU显存不够时CPU能来帮忙，与此同时还要避免其他情况下内存浪费。
Colossal-AI高效利用GPU+CPU的异构内存，就是这样的逻辑。
而以上过程中，获取非模型数据的内存使用量其实非常难。
因为非模型数据的生存周期并不归用户管理，现有的深度学习框架没有暴露非模型数据的追踪接口给用户。其次，CUDA context等非框架开销也需要统计。
在这里Colossal-AI的解决思路是，在预热阶段用采样的方式，获得非模型数据对CPU和GPU的内存的使用情况。
简单来说，这是道加减法运算：
非数据模型使用 ＝ 两个统计时刻之间系统最大内存使用 — 模型数据内存使用
已知，模型数据内存使用可以通过查询管理器得知。
具体来看就是下面酱婶的：
所有模型数据张量交给内存管理器管理，每个张量标记一个状态信息，包括HOLD、COMPUTE、FREE等。
然后，根据动态查询到的内存使用情况，不断动态转换张量状态、调整张量位置，更高效利用GPU显存和CPU内存。
在硬件非常有限的情况下，最大化模型容量和平衡训练速度。这对于AI普及化、低成本微调大模型下游任务等，都具有深远意义。
而且最最最关键的是——加内存条可比买高端显卡划 算 多 了。
前不久，Colossal-AI还成功复现了谷歌的最新研究成果PaLM (Pathways Language Model)，表现同样非常奈斯，而微软DeepSpeed目前还不支持PaLM模型。
Colossal-AI还能做什么？
前面也提到，Colossal-AI能挑战的任务非常多，比如加速训练、节省GPU资源。
那么它是如何做到的呢？
简单来说，Colossal-AI就是一个整合了多种并行方法的系统，提供的功能包括多维并行、大规模优化器、自适应任务调度、消除冗余内存等。
目前，基于Colossal-AI的加速方案FastFold，能够将蛋白质结构预测模型AlphaFold的训练时间，从原本的11天，减少到只需67小时。
而且总成本更低，在长序列推理任务中，也能实现9~11.6倍的速度提升。
这一方案成功超越谷歌和哥伦比亚大学的方法。
此外，Colossal-AI还能只用一半GPU数量训练GPT-3。
相比英伟达方案，Colossal-AI仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速11%，可降低GPT-3训练成本超百万美元。
与此同时，Colossal-AI也非常注重开源社区建设，提供中文教程、开放用户社群论坛，根据大家的需求反馈不断更新迭代。
比如之前有读者留言说，Colossal-AI要是能在普通消费级显卡上跑就好了。
这不，几个月后，已经安排好了~
背后团队：LAMB优化器作者尤洋领衔
看到这里，是不是觉得Colossal-AI确实值得标星关注一发？
实际上，这一国产项目背后的研发团队来头不小。
领衔者，正是LAMB优化器的提出者尤洋。
他曾以第一名的成绩保送清华计算机系硕士研究生，后赴加州大学伯克利分校攻读CS博士学位。
拿过IPDPS/ICPP最佳论文、ACM/IEEE George Michael HPC Fellowship、福布斯30岁以下精英（亚洲 2021）、IEEE-CS超算杰出新人奖、UC伯克利EECS Lotfi A. Zadeh优秀毕业生奖。
在谷歌实习期间，凭借LAMB方法，尤洋曾打破BERT预训练世界纪录。
据英伟达官方GitHub显示，LAMB比Adam优化器快出整整72倍。微软的DeepSpeed也采用了LAMB方法。
2021年，尤洋回国创办潞晨科技——一家主营业务为分布式软件系统、大规模人工智能平台以及企业级云计算解决方案的AI初创公司。
团队的核心成员均来自美国加州大学伯克利分校、哈佛大学、斯坦福大学、芝加哥大学、清华大学、北京大学、新加坡国立大学、新加坡南洋理工大学等国内外知名高校；拥有Google Brain、IBM、Intel、 Microsoft、NVIDIA等知名厂商工作经历。
公司成立即获得创新工场、真格基金等多家顶尖VC机构种子轮投资。
潞晨CSO Prof. James Demmel为加州大学伯克利分校杰出教授、ACM/IEEE Fellow，同时还是美国科学院、工程院、艺术与科学院三院院士。
传送门：
https://github.com/hpcaitech/ColossalAI
