{新闻网标题} 英伟达nG{新闻网标题}PT重塑Transformer,AI训练速度暴增20倍!文本越长,加速越快_ZAKER新闻
英伟达nG{新闻网标题}PT重塑Transformer,AI训练速度暴增20倍!文本越长,加速越快_ZAKER新闻
针对江西工业职业技术学院“6·1”食品安全事件,省教育厅、省公安厅、省国资委、省市场监督管理局组成的联合调查组,本着实事求是原则开展调查,现将有关情况通报如下。
【新智元导读】LLM 训练速度还可以再飙升 20 倍!英伟达团队祭出全新架构归一化 Transformer(nGPT),上下文越长,训练速度越快,还能维持原有精度。AI 的未来,或许就此改写 ......最近,英伟达团队抛出的一枚重磅炸弹,提出了全新神经网络架构——归一化 Transformer(nGPT),基于超球面(hypersphere)进行表示学习。相较于 Transformer 架构本身,nGPT 直接将 LLM 训练速度提升至高 20 倍,而且还保持了原有精度。也就意味着,原本需要一个月完成的训练,在未来可能只需 1-2 天的时间就能搞定。无疑为通向 AGI 终极目标,注入了一针强心剂!论文地址:https://arxiv.org/pdf/2410.01131在 nGPT 中,所有的向量(嵌入、MLP、注意力矩阵、隐藏状态),都被归一化为单位范数(unit norm)。输入后的 token 在超球面表面上移动,每一层都通过「位移」来贡献最终的输出预测,其中位移量是由 MLP 和注意力模块进行定义的,其向量组件都位于同一个超球面上。实验表明,nGPT 达到相同精度所需的训练步骤减少了 4-20 倍,具体取决于序列长度:- 1k 上下文,训练速度提高 4 倍- 4k 上下文,训练速度提高 10 倍- 8k 上下文,训练速度提高 20 倍可以看出,上下文越长,训练越快。Reddit 网友表示,「我很好奇它还能扩展到多大程度。如果它能在更长的上下文中大幅扩展,这意味着像 o1 这样的模型将会获得显著的训练速度优势」。还有人表示,「下一代模型将会更高效、更智能」。nGPT 全新架构,超球面上归一化毋庸置疑,Transformer 架构是现代大模型的基础。不过,当前基于 Transformer 搭建的大模型都是计算密集型的,需要耗费大量的资源和时间。为了改进其训练稳定性、推理成本、上下文长度、鲁棒性等方面,AI 科学家已进行了大量的修改尝试。其中,最突出的发现是,归一化技术对于 Transformer 性能改善起着重要作用,比如 LayerNorm 和 RMSNorm。另一种模型归一化方法是,通过权重衰减(weight decay)控制权重范数。不过,最新研究又对权重衰减的作用进行评估,并且转向更多地关注旋转,而非仅仅关注向量范数。越来越多的证据表明,在超球面上进行表示学习与更稳定的训练、更大的嵌入空间可分离性以及在下游任务上的更好性能相关。而且,还有新研究表明,Transformer 隐式地执行梯度下降作为元优化器。由此,英伟达团队提出了,在归一化 Transformer 新视角下,统一该领域的各种发现和观察。这项研究的主要贡献在于:- 在超球面上优化网络参数建议将形成网络矩阵嵌入维度的所有向量归一化,使其位于单位范数超球面上。这种方法将矩阵 - 向量乘法转化为余弦相似度的计算,其范围限定在 [ -1,1 ] 之间。而且归一化消除了对权重衰减的需求。- 归一化 Transformer 作为超球面上的可变度量优化器归一化 Transformer 本身在超球面上执行多步优化(每层两步),其中注意力和 MLP 更新的每一步,都由特征学习率控制——这些是可学习的可变度量矩阵的对角线元素。对于输入序列中的每个 token,归一化 Transformer 的优化路径从超球面上对应于其输入嵌入向量的点开始,移动到超球面上最能预测下一个的嵌入向量的点。- 更快的收敛研究证明,归一化 Transformer 将达到相同精度所需的训练步骤减少了 4-20 倍。Transformer 演变:从 GPT 到 nGPT嵌入层归一化标准的 decoder-only Transformer 的训练目标是根据输入序列的前序 tokens 来预测后面的 token,在 token 预测时,模型会引入两个可学习的嵌入矩阵 Einput 和 Eoutput,分别用来从输入词转为词嵌入,以及从词嵌入转为预测输出。在模型训练期间,通常使用对应嵌入向量的点积来计算 token 相似度,但嵌入向量的范数(norms)不受限制的,可能会导致相似性计算存在偏差。为了提高相似性估计的准确性,研究人员在新架构中提出,在训练算法的每一步之后,对 Einput 和 Eoutput 中的嵌入向量进行归一化。智能体在预测文本中的下一个词时,会使用因果掩码(casual masking)来确保模型在预测 token 时不会「偷看」到之后的词,造成信息泄露,从而让模型能够同时预测多个词并计算预测误差,提高训练效率,同时保持了按顺序预测词的能力。在输入词序列后,模型会在预测序列中的每个位置都生成一个输出向量,然后计算出一个 logits 向量 zi 来表示词汇表中每个词出现的可能性,可以辅助模型理解不同词在当前上下文中的重要性:之后用 softmax 函数把 zi 转为概率值,并选取概率最高的词作为下一个词的预测。由于 nGPT 的嵌入矩阵已经归一化了,所以 zi 的值范围为 [ −1,1 ] ,也会限制 softmax 后得到的概率分布的置信度,也可以叫做温度。为了在训练过程中调整置信度,nGPT 又引入了一个可学习的缩放参数 sz,通过逐元素地缩放 logits,模型可以更灵活地预测的置信度,更好地学习到在不同情况下如何做出更准确的预测:层 / 块归一标准 Transformer 架构需要对隐藏层状态 h 进行 L 层变换,包括一个自注意力(ATTN)和多层感知机(MLP)。其中 RMSNorm 也可以替换成其他归一化(normalization)函数。隐藏层的参数更新,其实就是在一个超平面上(维度为隐藏层的向量长度)寻找两个点(原参数和新参数)的最短距离。1985 年,Shoemake 提出了球面线性插值(SLERP,Spherical Linear Interpolation),可以沿着球面上两点之间的最短路径找到中间点,研究人员发现该方法还可以通过更简单的线性插值(LERP,linear interpolation)来得到近似解,从而降低计算量:按最短路径寻找来说,参数更新过程可以描述为:其中 a 和 b 是球面上的两个点,对应到 nGPT 上,a 也就是隐藏层状态,b 是经过注意力机制或 MLP 块后的状态,梯度就是 g=a-b,B 为可变矩阵。在拟牛顿方法中,B 可以近似于逆黑塞矩阵,当 B 是一个对角线元素非负的对角矩阵时,αB 就变成了一个向量,其元素对应于 B 的对角线元素乘以学习率 α,也可以称之为特征学习率(eigen learning rates)。eigen 源自德语词,意为「自己的」(own),可以指代 Transformer 的内部结构。所以 nGPT 中的参数更新方程可以写为:其中 αA 和 αM 是可学习的参数,分别用于注意力和多层感知机(MLP)模块的归一化输出 hA 和 hM与基础 Transformer 相比,在 nGPT 的最终层之后不需要再进行额外的归一化了。自注意力块注意力机制可以说是 Transformer 中最重要的模块,序列中的每个 token 都能够关注到其他所有 token,从而让模型具有捕捉长距离依赖关系的能力。模型会把处理后的信息分解成三个部分:查询(q,query)、键(k,key)和值(v,value),可以辅助确定哪些信息是重要的,以及信息之间是如何相互关联的。为了确保模型能够理解每个词在序列中的位置,模型中通常还会在 query 和 key 向量之间加入旋转位置嵌入(Rotary Position Embeddings,RoPE)。然后通过计算 query 向量和 key 向量的点积、缩放、应用 softmax 得到注意力权重,对 value 向量进行加权求和,得到注意力得分。在实践中,Transformer 一般都会用到多个注意力头,其中每个头的注意力机制都是独立计算,最后再通过一个可学习的投影矩阵 Wo 合并所有头输出。在计算注意力得分的过程中,权重矩阵没有受到太多限制,可能会导致最终得分过大或过小。在 nGPT 中,研究人员对 q 向量和 k 向量进行归一化,还引入了一些可调整的参数(sqk),以确保权重矩阵在处理位置信息时不会失真,更准确地捕捉到句子中词与词之间的关系,从而做出更好的预测和决策。MLP 块在标准 Transformer 中,隐藏层收入通过 RMSNorm 进行归一化,然后经过两个线性投影生成中间向量(暂不考虑偏置项):然后使用 SwiGLU 门控激活函数,以及一个线性变换得到最终门控激活。在 nGPT 中,研究人员提出对线性投影的权重矩阵进行归一化,并引入可学习的缩放因子,能够更充分地利用处理信息时的非线性特性,在处理复杂信息时更加灵活。多层感知机模块的输出不会因为缩放调整而发生变化。Adam 高效学习率Adam 优化算法通过动量和梯度幅度的估计来调整每次的学习步长,同时考虑了当前及过去的梯度信息。在 nGPT 中,研究人员同样引入了一个可训练的缩放参数向量,对特定的参数进行更精细的控制,确保每个参数都能以最适合自己的速度进行学习,从而进一步提高学习效率。在不影响全局学习率的情况下,对特定的参数进行调整,提供了更大的灵活性和控制力。变化总结和基础 Transformer 相比,nGPT 主要做了七个改变:1、移除所有归一化层,比如 RMSNorm 或 LayerNorm;2、在每个训练步骤之后,沿着嵌入维度对所有矩阵,包括输入输出嵌入矩阵,以及各种权重矩阵进行归一化处理;3、修改了隐藏层参数更新方程;4、调整注意力机制中的 softmax 缩放因子,对 q 和 k 进行重新缩放和归一化;5、对 MLP 块的中间状态进行重新缩放;6、对 logits 进行重新缩放;7、移除权重衰减和学习率预热步骤。上下文越长,训练速度越快接下来,研究人员在 OpenWebText 数据集上训练了基础基础 Transformer(GPT)和归一化 Transformer(nGPT),并在一系列标准下游任务上对其进行评估。实验中,使用了 0.5B 和 1B(包括嵌入)两种参数规模的模型。两种参数规模的模型 0.5B 和 1B(包含嵌入)。训练加速图 1 显示了,在训练过程中,10 亿参数且样本长度为 4k token 的 GPT 和 nGPT 模型的验证损失。经过 2 万次迭代后,nGPT 达到了与 GPT 在 20 万次迭代(约 4000 亿个 token)后,才能达到的相同验证损失。这表明,在迭代次数和使用 token 数量方面,nGPT 实现了 10 倍的加速。再来看图 2,展示了 nGPT 和 GPT 在三个方面的性能差距是如何变化的:总 token 数量、上下文长度、参数规模。在 1k、4k 和 8k token 上下文中,训练 0.5B 和 1B 的 nGPT 模型分别约快 4 倍、10 倍和 20 倍。图 3 在下游任务中显示了类似的性能,证实加速不仅反映在困惑度上,也反映在任务表现上。研究人员观察到,对于较长的训练运行,nGPT 显示出一些饱和现象,这暗示在当前可训练参数数量下,模型容量可能已接近极限。神经网络参数检查图 4 显示,虽然 nGPT 保持固定的嵌入范数(这是设计使然),但 GPT 表现出明显的变化。从嵌入的协方差矩阵计算得出的特征值分布(已经由其中位数归一化)显示,GPT 的输入嵌入具有更高的条件数,尤其是在 1B 模型中。嵌入之间的成对点积分布表明,即使在 nGPT 中,嵌入也并非均匀分布在超球面上(在那里点积会接近 0),而是形成簇——这可能反映了语言数据中的自然模式。由于 GPT 的嵌入形成了一个超椭球体(hyper-ellipsoid ) ,如向量范数的分布所示,其点积往往具有更高的值。GPT 输入嵌入的病态性质(ill-conditioned nature)可能导致涉及这些嵌入的计算问题。下图 5 展示了,注意力和 MLP 矩阵在不同层深度上的中位数条件数(跨多个头)—— 0.5B 模型有 24 层,1B 模型有 36 层。与 nGPT 相比,GPT 模型的注意力矩阵呈现显著更高的条件数。对这些矩阵的进一步检查,GPT 的注意力矩阵表现出退化为低秩矩阵的趋势,可能减少了这些块的学习容量。下图 6 展示了,(左图)注意力模块和 MLP 模块的特征学习率,(中图)应用于 MLP 中间状态的缩放因子,(右图)应用于 QK 点积之前的缩放因子。koa12jJid0DL9adK+CJ1DK2K393LKASDad
编辑:李宗仁
TOP1热点:传台积电要吞掉英特尔
河南泽槿律师事务所主任付建向中国新闻周刊介绍,根据规定,对于宣告缓刑的罪犯,人民法院可以根据犯罪情况,同时禁止犯罪分子在缓刑考验期限内从事特定活动,进入特定区域、场所,接触特定的人。。
如今,美国一边挥舞着大量政府补贴,在《芯片与科学法》之下吸引韩国三星电子和海力士赴美投资建厂,另一边又要求在领取美方补贴的同时,韩国企业不能留下在华生产设备并进行部分扩张。
TOP2热点:王德顺85岁学会开飞机
作为经济安全保障担当大臣、日本反华派代表高市早苗的态度更强硬一些,她在记者会上表示:“无论是对于日本人还是外国人,无论哪国国籍,都必须彻底加强国立研究开发机构的技术信息管理。”
TOP3热点:为何矿泉水在零下 5 度的车里没结冰一面膜上边一面吃下边免费
中国廉政法制研究会常务理事、华东政法大学纪检监察学院教授魏昌东告诉《中国新闻周刊》,地方政府到名牌大学引进人才时,不应只看重他们的名校背景和高学历,更应考虑当地经济社会发展的需要,为一些专业性强的岗位物色合适的人才。
这艘造型怪异、排水量近3000吨、2018年入役的美国海军舰只,实际上这些年并没有派上过大用场。美军用其来凑数,当然有刷存在感的目的——反正就是来参加这个演习了。
TOP4热点:郭艾伦眼睛受伤老妇高潮潮喷到猛进猛出
作为经济安全保障担当大臣、日本反华派代表高市早苗的态度更强硬一些,她在记者会上表示:“无论是对于日本人还是外国人,无论哪国国籍,都必须彻底加强国立研究开发机构的技术信息管理。”
彭斯的首场竞选活动,并没有选择自己的大本营印第安纳州,而是去了艾奥瓦州。当天的活动现场,花白头发的彭斯一身深色西装、白色衬衫配亮蓝色领带,热情地与赶来现场的支持者握手。
TOP5热点:上海海港vs横滨水手国精产品69永久中国有限
如今,美国一边挥舞着大量政府补贴,在《芯片与科学法》之下吸引韩国三星电子和海力士赴美投资建厂,另一边又要求在领取美方补贴的同时,韩国企业不能留下在华生产设备并进行部分扩张。
TOP6热点:苹果发布iPhone 16e2022国精产品一二三线
戒酒不易,但对个人“禁酒”并不常见。据柳城法院通报,上述案件目前已经判决生效。法院将该份禁止令交付执行,并与检察院、司法局、社区及被告人亲属开展了联合警示教育活动。
其次,被害人已经康复,也主动表达了谅解。而经了解,邓某某平时为人较为和善,没有前科,“如果把他关进去,他们家可能就破裂了”。
TOP7热点:modelq谍照首曝美国ZOOMCLOUDMEETINGS2023
姜春来介绍,百克生物的带状疱疹减毒活疫苗的技术路线与Zostavax相同,有效率接近,据该疫苗临床试验显示,40~70岁特定人群中,百克生物带状疱疹疫苗保护率为70%,40岁及以上人群保护率接近60%。但在他看来,百克生物带状疱疹疫苗的优势在于,不良反应更轻,一针免疫,价格更低。截至6月10日,百克生物带状疱疹减毒活疫苗已通过了9个省份非免疫规划疫苗采购的公开招标,在当地上市。
TOP8热点:珠海首次立法规范管理海钓活动暴躁CSGO妹子
但带状疱疹不只侵袭老年人。6月3日,中国科学院院士、“中国疼痛学之父”韩济生在一场论坛上提到,带状疱疹的发病有年轻化的趋势。北京协和医院皮肤科副主任医师付兰芹告诉《中国新闻周刊》,带状疱疹患者以老年人居多,虽没有权威的流行病学调查,但近年来,她还是感受到,到门诊的年轻患者有所增加,其中还有极少数低龄儿童。
今年1月31日,国家药监总局官网显示,长春百克生物科技股份公司(以下简称百克生物)的带状疱疹减毒活疫苗获批。6月3日起,云南、江西等多地市民陆续可以申请接种该疫苗,只需接种一针。
TOP9热点:苹果发布iPhone 16e非洲14may18_XXXXXL56endian
“在那个决定性的日子,特朗普总统的鲁莽言论危及了我的家人及所有身在国会大厦的人的安全。我认为,任何把自己置于宪法之上的人都不应该成为美国总统,任何要求别人把他置于宪法之上的人都不应该再次成为美国总统。”时隔数年,当再次提起2020年的大选以及随后发生的美国国会骚乱事件时,彭斯第一次毫不避讳地公开指责了自己的“前老板”:“前总统坚持认为我有权推翻选举。他当时是错的,现在也是错的。我相信我在那天履行了职责,确保了权力在宪法和美国法律的规定下和平移交。”
TOP10热点:成都市简阳市发生3.0级地震青青河边草免费观看西瓜
今年1月31日,国家药监总局官网显示,长春百克生物科技股份公司(以下简称百克生物)的带状疱疹减毒活疫苗获批。6月3日起,云南、江西等多地市民陆续可以申请接种该疫苗,只需接种一针。