FP8通过其独特的数值表示方式，能够在保持一定精度的同时，在大模型训练中提高训练速度、节省内存占用，最终降低训练成本。
AI大模型开发系统Colossal-AI的混合精度训练再度升级，支持主流的BF16(O2) + FP8(O1)的新一代混合精度训练方案。
仅需一行代码，即可对主流LLM模型能够获得平均30%的加速效果，降低相应大模型开发成本，并保证训练收敛性。
无需引入额外的手写CUDA算子，避免了较长的AOT编译时间和复杂的编译环境配置。
开源地址：https://github.com/hpcaitech/ColossalAI
FP8混合精度训练
低精度计算一直是GPU硬件发展趋势。
从最早的FP32，到目前通用的FP16/BF16，再到Hopper系列芯片(H100, H200, H800等）支持的FP8，低精度计算速度越来越快，所需的内存也越来越低，非常符合大模型时代对硬件的需求。
目前FP8混合精度训练影响训练结果的最大因素就是scaling方案，常见的方案有两种：
- 延迟scaling
- 实时scaling
延迟scaling采用之前一段时间窗口内的scaling值来估计当前scaling，同时将scaling的更新和矩阵乘法(gemm)融合起来。这种计算方法效率较高，但由于是估算的scaling，所以对收敛性影响较大。
实时scaling直接采用当前的张量值来计算scaling，所以计算效率较低，但是对收敛性影响较小。根据英伟达的报告，这两种scaling方案的计算效率差距在10%以内。
Colossal-AI采用了对训练收敛性影响较小的实时scaling方案，同时实现有着不输其他延迟scaling实现的性能。
在单卡H100上对矩阵乘法进行的测试，可以看到矩阵的维度越大，FP8的加速效果越明显，而且Colossal-AI的实现与Transformer Engine的性能几乎一致，如图1所示。但Transformer Engine需要复杂的AOT编译环境配置和较长的编译时间。
图片
△图1. 单卡GEMM性能测试
为了实验结果更贴近现实，Colossal-AI直接在主流LLM上进行了实际训练的测试。
首先在H100单卡上进行了测试，以下测试中Transformer Engine (TE)采用的其默认的延迟scaling方案。
图片
图片
同时进行了收敛性测试，可以看到FP8混合精度训练的loss曲线与bf16的基本一致，如图4所示：
图片
△图4. H100单卡 LLaMA2-7B 混合精度训练loss曲线
Colossal-AI还测试了H800多卡并行训练场景下的性能。在单机8卡H800上训练LLaMA2-7B，Colossal-AI FP8对比Colossal-AI BF16有35%的吞吐提升，对比Torch FSDP BF16有94%的吞吐提升。
图片
在单机8卡H800上训练LLaMA2-13B，Colossal-AI FP8对比Colossal-AI BF16有39%的吞吐提升。
图片
在2机16卡H800上训练Cohere Command-R 35B，Colossal-AI FP8对比Colossal-AI BF16有10%的吞吐提升，如图7所示：
图片
根据英伟达的报告和测试经验，对FP8混合精度训练性能调优有一些初步的认识：
- 尽量少使用张量并行，用流水线并行代替张量并行
- 模型hidden size越大，加速效果越明显
- 矩阵乘法占比高的模型加速效果大
由于上述实验中Command-R 35B采用了张量并行，所以加速效果不太明显。
Colossal-AI对FP8的支持较为广泛，各种并行方式都能和FP8混合精度训练兼容。使用时，仅需在初始化plugin时开启FP8即可：
from colossalai.booster.plugin import GeminiPlugin, HybridParallelPlugin, LowLevelZeroPlugin
...
plugin = LowLevelZeroPlugin(..., use_fp8=True)
plugin = GeminiPlugin(..., use_fp8=True)
plugin = HybridParallelPlugin(..., use_fp8=True)除此之外，无需多余的代码和AOT编译。
