本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

單個GPU，只花一天時間，能把BERT訓練成什么樣？

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

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

但這樣的語言訓練模型環(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。

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變。

具體的過程和結果如何，一起來看看～

挑戰(zhàn)過程

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

既然要縮小計算量，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，限定時間和GPU個數(shù)：單天單個GPU。

關于GPU，研究人員分別選取了3個進行測試，即rtx2080ti、rtxa4000和rtxa6000，每個單元有4個CPU核和32GB內存。

在限定計算量之后，就要對模型的其他參數(shù)進行一些調整，以進一步對BERT的實際適用性進行評估。

這些調整包括初始數(shù)據(jù)設置、模型架構、訓練以及數(shù)據(jù)集的改進。

并且在調整的過程中，整體基調都是圍繞“實際使用”進行的，避免跳轉到專業(yè)的設置，為此，研究人員將所有內容都保持在PyTorch框架的實現(xiàn)級別上。

先來說說初始數(shù)據(jù)設置，這部分可以簡單概括為以下幾點：

• 將標記化的數(shù)據(jù)打包成長度為128的隨機序列，不相關的片段用分割；
• 刪除< cls > 標記，因為在訓練前訓練中加入它并沒有對性能產生多大影響；
• 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任務損失的變化。

結果很顯然，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，因為每個token的性能與模型大小之間的關系緊密耦合，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算的架構。

具體的優(yōu)化和其他調整如下：

• 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，通過加速梯度計算，不會對模型大小產生明顯影響；
• 實現(xiàn)比例正弦位置嵌入，相較于學習或非比例正弦嵌入有增量收益；
• LN的預標準化比后LN更有益；
• 去除非線性頭部并無影響。

接下來便要對訓練進行設置，具體也就不再贅述，直接來看相關調整：

• 優(yōu)化器依舊是Adam；
• 設定Learning Rate計劃和批量大??；
• 丟掉Dropout環(huán)節(jié)。（因為Dropout會導致每秒更新的凈減少）

而在數(shù)據(jù)集方面，研究團隊采用了兩種基于數(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)！

在下游性能評估時是通過GLUE來進行的，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。

而當模型訓練計算量為16倍時，即（2天，在8個GPU），依舊是一樣的數(shù)據(jù)和設置，最終得到的結果比最初的BERT提高了很多，達到了RoBERTa的性能水平。

如果想了解更多，可以點擊下面鏈接查看論文原文～

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