可莉腿法娴熟 英伟达nGP可莉腿法娴熟T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nGP可莉腿法娴熟T重塑Transformer，AI训练速度暴增20倍！文本越长，加速越快_ZAKER新闻
凯恩斯为宏观经济学引入了新的思考方式。《就业、利息和货币通论》为宏观经济学建立了新的微观基础。凯恩斯不再是如同古典经济学理论一样，在假定均衡之后使用总量加以分析，寻求不同变量为达成静态均衡而产生的边际影响，而是研究均衡是如何被动态达成的过程。这是凯恩斯做出的第一个贡献：对经济的静态稳态分析，被替换为动态均衡分析。在这一点的基础上，凯恩斯承认了就业和均衡都可能是不充分的。对这种不充分，凯恩斯只做了短期和长期的区分，但我们以后见之明便能理解，这是超越了熊彼特的创造性毁灭的增长理论。经济在周期中增长，在熊彼特看来这只是一个投资竞争的过程，在竞争过程中高效率企业存留了下来——在应对大萧条的早期，法国经济学界便采用了这样一种态度，这导致法国政府拒绝救援受到大萧条压力摧残的企业。政府的信念是，更有效率的企业会留存下来，在新的经济周期中带来更好的增长表现。而凯恩斯的第二个贡献应运而生：在短期，如果就业和需求是不充分的，政府干预经济的合理性就得到了论证。经济周期并不只是一种自然现象，更不是趋向均衡的表现。在经济危机中损失的企业可能并非因为其效率不充分，而是因为需求的不充分。由此，干涉相比放任更有利于促进经济生产的总效率。
【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:吕德榜
TOP1热点：赵明因身体原因辞职
有预测称，随着4月的制造业生产大幅减少，今年第二季度的经济增长率可能会停滞不前。去年10月韩国全产业生产出现1.1%减少的同时，去年第四季度经济出现负增长。显示4月消费动向的零售额减少2.3%，可能成为对经济增长产生负面影响的又一要因。。
虽说AI或AIGC有可能给苹果带去更大利益，不过若此次宣布的头显能超出市场预期，郭明錤认为它“仍然可以让苹果和主要供应商的股票受益”。
TOP2热点：阿森纳2比2阿斯顿维拉
“既然美联储如此依赖数据，如果他们对2%的目标是认真的，各项数据都超预期过热的情况下，他们应该加息。”
在此之前，Stratasys曾多次拒绝NanoDimension的报价。此外，NanoDimension一直在与持不同意见的股东Murchinson争夺董事会席位。
TOP3热点：塔里木河尽头是什么样的操逼视频免费下载
作为中国金茂旗下的明星产品——金茂府今年又有两大作品在北京迎来交付品质兑现并获得业主的高分称赞。
TOP4热点：让孩子「更懂中国年」新村あかり车牌号
投入价格和服务收费价格继续上涨，但增速低于4月份。
TOP5热点：抖音已处理 1 万多仿冒外国用户账号www.99热
同时，宣亚国际表示，目前未与英伟达有直接合作，与英博数科等合作伙伴的相关合作尚处于探索初期，暂未产生效益，对公司经营业绩暂无重大影响。亿道信息也在互动易回复，暂未有基于英伟达智能AI芯片的相关产品，近日联发科与英伟达宣布形成战略合作关系，公司与联发科有非常紧密的合作关系。
TOP6热点：Meta计划今年裁退5%低绩效员工视频一区 二区 日韩 欧美
中集·陕汽“三好发展中心”，旨在向市场输出“好头牵好挂”（半挂车）、“好马配好鞍”（自卸车、载货车）、“好车配好罐”（罐车）的“三好”商用车整车产品，为客户提供更专业、更优质、更多元的主机上装整车一体化解决方案和服务，让客户选车、用车无忧，获得超出期望的价值体验。
TOP7热点：重力多大的星球无法发射化学火箭国产专区一线二线三线品牌
科技股则另当别论。
TOP8热点：经理拿走部门年终奖的 97% 怎么办18p欧美
二是不当市场干预行为持续规范。全面落实公平竞争审查制度，2022年以来，共审查增量政策措施16.37万件，清理各类存量政策措施45.2万件，废止修订、纠正违反2.04万件，围绕“激发经营主体活力、畅通国内大循环”开展滥用行政权力排除、限制竞争执法专项行动，聚焦市场反映较为集中的公用事业、政府采购、招投标等8个领域。2022年以来，办结78件行政性垄断案件，及时纠正指定交易、妨碍商品要素自由流通等不当市场干预行为，有效促进国内循环畅通。
加强县域和城市商业体系建设也是统一大市场建设的重要方面，周强表示，在城市，商务部将提升城市商业能级，打造更多智慧便民的消费场景。
TOP9热点：为何机场需要 checkin 才能登机91传媒星空传媒在线观看
在沙特承诺自愿减产之前，欧佩克及其包括俄罗斯在内的盟友达成了一项更广泛的协议，将减产延长至2024年，该组织正寻求提振低迷的油价。
关于美国政府上周末通过了拜登总统签署的债务上限法案，她说：“就达成协议的内容而言，总的来说是一个好的结果。在我们看来，问题在于围绕债务上限的反复辩论并没有多大帮助。有空间重新思考如何去做。”
TOP10热点：经理拿走部门年终奖的 97% 怎么办原神雷电将军被丘丘人c
除17款新品之外，现场还发布了17款五大类型爆品，分别为极致安全型、量贩型、多功能型、超性价比型、成长型的京东618快消品爆品榜单。通过打造爆品清单，探索新路径、新渠道，实现新增长。