一本大道一卡二卡 英伟达nGPT重塑Transformer，AI训练速度暴增20倍！文本越长，加速越快_一本大道一卡二卡ZAKER新闻
英伟达nGPT重塑Transformer，AI训练速度暴增20倍！文本越长，加速越快_一本大道一卡二卡ZAKER新闻
中方参演编队任务准备期间
【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:张石山
TOP1热点：中国驻澳大利亚大使：希望澳方客观理性看待中方舰队演训
南都、N视频记者梳理发现，自2021年来，崔恩顺已经两度因经济问题受到起诉。此外，尹锡悦的妻子、韩国第一夫人金建希也曾深陷伪造履历、硕士论文涉嫌抄袭、操弄股价获利等丑闻。今年2月，韩国最大在野党共同民主党正式推进检方对其涉嫌股价操纵案的特别调查，认为金建希通过操纵德意志汽车的股价，获得了相当于10.5亿韩元的利益。。
TOP2热点：乒乓球亚洲杯现场出现侮辱运动员言行，乒羽中心：严厉打击
再就是飞行员王超，私生活如此混乱，胡搞八搞，被人诈骗也是罪有应得。只能说他庆幸遇到了一个知书达理的女朋友。
俄军还表示，23日仅对敖德萨“准备对俄实施恐怖行动的设施”进行了打击。俄罗斯国防部表示，俄罗斯武装力量对敖德萨附近生产和训练无人艇的地方发动了导弹袭击，并称“被摧毁的设施附近有外国雇佣兵”。
TOP3热点：穿越海峡的热线｜“00后”台青周子瑜：来大陆8年，爱上了湘菜打扑克不盖被子的视频
他强调，中日韩同为世界重要经济体，人口总和占全球五分之一，GDP之和超过全球总量四分之一。
TOP4热点：游钧任北京市委副书记中国人も日本人も漢字を
防务方面，日本加速推动国家军事战略朝着主动进攻方向演变，妄图跟随美国在亚太地区构建军事霸权，在大幅增加防卫费的同时，积极与北约相互勾连，并计划在东京开设北约在亚洲的首个联络办事处。
再就是飞行员王超，私生活如此混乱，胡搞八搞，被人诈骗也是罪有应得。只能说他庆幸遇到了一个知书达理的女朋友。
TOP5热点：特朗普放话想和俄罗斯达成稀土协议，但离开中国依旧无法提炼密芽
这株紫薇树枝叶繁茂，曾是当地一景。2013年10月10日晚古树曾被盗，只留下被锯下的树枝和树坑。古树被盗后，经过三道转手，价格从29万元飙升到88万元。经过绵竹警方长达3个月的侦查，成功破获该案，5名嫌疑人被判刑。
TOP6热点：美近期将解冻8.7亿美元对台“安全援助”，国防部答澎湃：“倚美谋独” 此路不通八重神子焯出白水怎么办
截至24日5时30分，已搜救出14人，其中4人已无生命体征，6人经全力救治无效死亡，4人无生命危险。
TOP7热点：马上评丨讨论营商环境，不应陷入地域黑的语言陷阱打扑克视频全程不盖被子视频
7月24日，齐齐哈尔市第三十四中学校体育馆楼顶坍塌事故最后一名被困学生已搜救到，已无生命体征。此次事故共造成11人死亡。经现场初步调查，与体育馆毗邻的教学综合楼施工过程中，施工单位违规将珍珠岩堆置体育馆屋顶。受降雨影响，珍珠岩浸水增重，导致屋顶荷载增大引发坍塌。南都记者查询发现，根据规划具体指标附图，该施工项目紧邻该校体育馆，二者位于运动场同一侧。中冶天工集团有限公司去年曾发布关于该设计项目的中标信息。
TOP8热点：70岁郑渊洁：悬着那颗松动的牙齿国精产品一二三线999
他们的受教育程度也不一样。
杨姐表示自己已经有一个幸福的家庭了，她舍不得自己的老公和孩子。
TOP9热点：马上评丨讨论营商环境，不应陷入地域黑的语言陷阱国产一产二产三精华液
所以，才有了他来报警的。
莫斯科还指责西方和基辅要为一名俄罗斯战地记者的死亡负责。莫斯科说，这名记者是被集束炸弹炸死的，并承诺将对肇事者作出“回应”。
TOP10热点：韩国一高速桥梁倒塌致4死6伤，消防称2名中国工人遇难久亚洲一线产区二线产区三线产区
遗憾的是，美国很多政客，很难跳出美国自己的框架，被竞争与对抗的思维死死限制。同样的道理，为了塑造对华的“实力地位”，自缚手脚，不敢正视自己破坏中美交流的现实。