700 亿参数 LLaMA2 训练加速 195%，基础大模型最佳实践再升级

　　本文来自于微信公众号 机器之心(ID:almosthuman2014)，作者:机器之心。

　　ChatGPT 引发的大模型热潮愈演愈烈，全球科技巨头和明星初创争相入局，打造以 AI 大模型为核心的竞争力和多样化商业使用需求。其中 LLaMA 系列模型，因良好的基础能力和开放生态，已积累了海量的用户和实际应用案例，成为无数开源模型后来者的模仿和竞争的标杆对象。

　　但如何降低类LLaMA2大模型预训练成本，如何基于 LLaMA2通过继续预训练和微调，低成本构建 AI 大模型实际应用，仍是 AIGC 相关企业面临的关键瓶颈。

　　作为全球规模最大、最活跃的大模型开发工具与社区，Colossal-AI 再次迭代，提供开箱即用的8到512卡 LLaMA2训练、微调、推理方案，对700亿参数训练加速195%，并提供一站式云平台解决方案，极大降低大模型开发和落地应用成本。

　　LLaMA2训练加速195%

　　Meta 开源的 LLaMA 系列大模型进一步激发了打造类 ChatGPT 的热情，并由此衍生出了诸多项目和应用。

　　最新的7B~70B LLaMA2大模型，则进一步提高了语言模型的基础能力。但由于 LLaMA2的预训练预料大部分来自英文通用知识，而仅用微调能够提升和注入的领域知识和多语言能力也相对有限。此外，高质量的专业知识和数据集通常被视为各个行业和公司的核心资产，仅能以私有化形式保存。因此，以低成本预训练 / 继续预训练 / 微调 LLaMA2系列大模型，结合高质量私有化业务数据积累，帮助业务降本增效是众多行业与企业的迫切需求与瓶颈。但 LLaMA2大模型仅发布了原始模型权重与推理脚本，不支持训练 / 微调，也未提供数据集。

　　针对上述空白与需求，Colossal-AI 开源了针对LLaMA2的全流程方案，并具备高可扩展性，支持从70亿到700亿参数的模型，从8卡到512卡都可保持良好的性能。

　　在使用8卡训练 / 微调 LLaMA2-7B 时，Colossal-AI 能达到约54% 的硬件利用率(MFU)，处于业界领先水平。而对于预训练任务，以使用512张 A10040GB 预训练 LLaMA2-70B为例，DeepSpeed ZeRO3策略因显存不足而无法启动，仅能通过速度衰减较大的 ZeRO3-offload 策略启动。而 Colossal-AI 则因卓越的系统优化和扩展性，仍能保持良好性能，训练提速195%。

　　Colossal-AI LLaMA-2训练 / 微调方案的高性能来源于新的异构内存管理系统 Gemini和高性能算子(包括 Flash attention2)等系统优化。新 Gemini 提供了高可扩展性，高鲁棒性，高易用性的接口。其 Checkpoint 格式与 HuggingFace 完全兼容，减小了使用和转换成本。其对于切分、offload 等的设置更加灵活且易用，能够覆盖更多硬件配置下的 LLaMA-2训练 / 微调任务。仅需数行代码即可使用: fromcolossalai.boosterimportBoosterfromcolossalai.booster.pluginimportGeminiPluginplugin=GeminiPlugin()booster=Booster(plugin=plugin)model，optimizer，train_dataloader，criterion=booster.boost(model，optimizer，train_dataloader，criterion)

　　ShardFormer 多维细粒度并行

　　虽然对于主流硬件条件和大多数模型，Colossal-AI 的新 Gemini 已经能够提供良好的性能。但是对于一些极端硬件条件，或者是特殊模型，可能仍然需要多维并行的细粒度优化。现有其他方案通常需要分布式系统资深专家，手动对代码进行大规模重构和调优，Colossal-AI 的 ShardFormer提供了开箱即用的多维并行和算子优化的能力，仅需数行代码即可使用，在单机 / 大规模集群上都能提供良好的性能。 fromcolossalai.boosterimportBoosterfromcolossalai.booster.pluginimportHybridParallelPluginfromtransformers.models.llamaimportLlamaForCausalLM，LlamaConfigplugin=HybridParallelPlugin(tp_size=2，pp_size=2，num_microbatches=4，zero_stage=1)booster=Booster(plugin=plugin)model=LlamaForCausalLM(LlamaConfig())model，optimizer，train_dataloader，criterion=booster.boost(model，optimizer，train_dataloader，criterion)

　　Colossal-AI ShardFormer 支持包括 LLaMA1/2、BLOOM、OPT、T5、GPT-2、BERT、GLM 在内的主流开源模型，也可以直接使用 Huggingface/transformers 模型导入，Checkpoint 格式也与 HuggingFace 完全兼容，对比 Megatron-LM 等需重写大量代码的方案，大大提升了易用性。

　　对于并行策略，已支持以下多种并行方式:张量并行、流水线并行、序列并行、数据并行、Zero 数据并行等，并可将多种并行方式组合使用，只需通过简单的配置命令，即可适配各种复杂的硬件环境 / 模型。同时，其内置了各种高性能算子，免去了繁琐的兼容 / 配置过程。其中包括:

　　Flash attention2

　　Memory efficient attention (xformers)

　　Fused Normalization Layer

　　JIT kernels

　　云平台大模型一站式解决

　　为了进一步提升开发和部署效率，Colossal-AI 团队还将上述系统优势与算力结合，提供 Colossal-AI 云平台，提供廉价算力和开箱即用的 AI 主流应用，包括对话大模型，多模态模型，生物医药等，现已开启内测。

　　通过屏蔽大模型底层的分布式并行计算、内存、通信管理与优化等，AI 开发者可以继续专注于 AI 模型与算法设计，以更低成本更快速度完成 AI 大模型助力业务降本增效。

　　用户只需要上传相关数据，即可无代码训练个性化私有模型，并将训练好的模型一键部署。相关的应用都经过 Colossal-AI 团队精心优化，得益于算法和系统的双面优化，能大大降低模型训练以及部署的成本。