微软推出 FP8 混合精度训练框架：比 BF16 快 64%，内存占用少 42%

11 月 10 日消息，大语言模型（LLM）快速崛起，在语言生成和理解方面表现出光明的前景，影响超越了语言领域，延伸到逻辑、数学、物理学等领域。

不过想要解锁这些“非凡能量”，需要付出高额的代价，例如训练 540B 模型，需要 Project PaLM 的 6144 个 TPUv4 芯片；而训练 175B 的 GPT-3，需要数千 Petaflop/s-day。

目前一个不错的解决方案就是低精度训练，可以提高处理速度，降低内存使用量和通信成本。包括 Megatron-LM、MetaSeq 和 Colossal-AI 等主流训练系统，默认使用 FP16 / BF16 混合精度或 FP32 全精度来训练大型语言模型。

虽然这些精度水平对于大语言模型来说是必不可少的，但它们的计算成本很高。

如果采用 FP8 低精度，可以将速度提高 2 倍、内存成本降低 50% 至 75%，并且可节省通信成本。

目前只有 Nvidia Transformer Engine 兼容 FP8 框架，主要利用这种精度进行 GEMM（通用矩阵乘法）计算，同时以 FP16 或 FP32 高精度保持主权重和梯度。

为了应对这一挑战，来自 Microsoft Azure 和 Microsoft Research 的一组研究人员推出了一个高效的 FP8 混合精度框架，专为大型语言模型训练量身定制。

微软引入了三个优化阶段，利用 FP8 进行分布式和混合精度训练。随着这些层级的进展，FP8 集成程度的提高变得明显，这表明对 LLM 训练过程的影响更大。

此外为了克服数据溢出或下溢等问题，微软研究人员提出自动采样和精确解耦两种关键方法，前者涉及对精度不敏感的组件降低精度，动态调整 Tensor 采样因子，以确保梯度值保持在 FP8 表示范围内。这可以防止全减少通信期间的下溢和溢流事件，确保培训过程更加顺畅。

微软经过测试，与广泛采用的 BF16 混合精度方法相比，内存占用减少 27% 至 42%，权重梯度通信开销显著降低 63% 至 65%。运行速度比广泛采用的 BF16 框架（例如 Megatron-LM）快了 64%，比 Nvidia Transformer Engine 的速度快了 17%。

在训练 GPT-175B 模型时，混合 FP8 精度框架在 H100 GPU 平台上节省 21% 的内存，而且相比较 TE（Transformer Engine），训练时间减少 17%。

IT之家在此附上 GitHub 地址和论文地址：https://doi.org/10.48550/arXiv.2310.18313