GTC 2023|Colossal-AI系统的数据并行优化方案

　　Colossal-AI的改变：

　　从Colossal-AI的GitHub star数量中看出，这是衡量其开源社区的指标。与其它非常流行的开源系统（如Spark、 MongoDB等）相比，在相同时间内Colossal-AI使用增长速度是最快的。

　　世界上37个国家的用户正在使用Colossal-AI，还有各种其他人工智能生态系统使用Colsssal-AI。

　　Colsssal-AI的重要功能——N-Dim并行系统

　　这可以将你的复杂模型可用硬件上，以便最大化使用并行同时最小化通信。

　　Colsssal-AI提供了完整的并行方法，包括数据并行、张量并行、流水线并行和序列并行，同时还有团队提出的2维、2.5维和3维张量并行以及序列并行。

　　其中优化了数据并行，可以让你以最小的损失在相当大的规换下训练模型。

　　大规模优化器如何优化数据并行

　　与单个GPU训练相比数据并行训练将整个数据集分为几个分区。

　　每个GPU拥有1个数据集分区，模型在每个GPU上复制，开在其本地数据集分区进行训练，在反向传播期间计算的梯度，被平均并用于更新模型副本，可以确保在不同GPU之间同步模型。

　　然而，简单的增加批次大小，通常会导致泛化性能下降并降低计算精度。为了解决这些问题，研究出一种新的方法，可扩展的大规模优化器LARS和LAMB，适合大批量设置。

　　在ViT模型和ImageNet数据集上对可扩展的大规模优化器LARS和LAMB进行理论分析。他们可最大程度使用GPU资源，将ViT-B/32的训练时间从一个GPU的73小时减少到200个GPU的0.68小时，并实现几乎线性增加的加速度，并保证收敛。

     编辑：黄飞