Techniques for training large neural networks
Zusammenfassung
Kurz
Der Bericht erklärt Daten-, Pipeline- und Tensor-Parallelität sowie Mixture-of-Experts als Ansätze, das Training großer neuronaler Netze über mehrere GPUs zu verteilen. Ergänzend beschreibt er Speichertechniken wie Checkpointing, gemischte Genauigkeit, Auslagern und Kompression und weist auf jeweilige Kosten und Abwägungen hin.
Mittel
Der Bericht gibt einen Überblick über Verfahren, mit denen das Training großer neuronaler Netze auf mehrere GPUs verteilt und der Speicherbedarf begrenzt werden kann. Er unterscheidet Datenparallelität (mehrere Geräte bearbeiten verschiedene Beispiele mit Kopien desselben Modells), Pipeline-Parallelität (Modellschichten liegen auf verschiedenen Geräten) und Tensor-Parallelität (Berechnungen innerhalb einer Schicht werden aufgeteilt). Bei Pipelines können Wartezeiten entstehen; Mikrobatches sollen die Geräte besser auslasten. Verschiedene Zeitpläne, etwa GPipe und PipeDream, gehen damit unterschiedlich um.
Mixture-of-Experts-Modelle aktivieren je Eingabe nur einen Teil ihrer Experten. Der Bericht nennt dies als Weg zu mehr Parametern bei begrenztem Rechenaufwand. Weitere Ansätze umfassen Aktivierungs-Checkpointing, gemischte Genauigkeit, das Auslagern von Daten, speichereffiziente Optimierer und Kompression. Die Verfahren bringen jeweils Abwägungen mit sich, etwa zusätzlichen Rechenaufwand, Kommunikation oder mögliche Auswirkungen auf die Lerneffizienz. Der Artikel ist eine konzeptionelle Übersicht mit Beispielen; systematische Leistungsvergleiche oder eine Empfehlung für einen konkreten Anwendungsfall enthält er nicht.
Ausführlich lesen
Der Bericht erklärt, wie sich das Training großer neuronaler Netze auf mehrere GPUs verteilen lässt. Er beschreibt Training als wiederholten Ablauf: Ein Vorwärtslauf verarbeitet einen Datenbatch, ein Rückwärtslauf berechnet Gradienten, und ein Optimierungsverfahren wie Adam aktualisiert anschließend Parameter und internen Zustand. Die verschiedenen Parallelisierungsverfahren teilen diesen Ablauf entlang unterschiedlicher Dimensionen auf. Die Darstellung setzt GPUs voraus, sagt aber, dass die Grundideen auch für andere neuronale Beschleuniger gelten.
Bei der Datenparallelität halten mehrere GPUs jeweils eine Kopie derselben Modellparameter und bearbeiten verschiedene Beispiele. Das Modell muss dabei weiterhin in den Speicher einer einzelnen GPU passen; zugleich werden Rechenleistung und Speicher für die mehrfachen Kopien benötigt. Damit die Kopien übereinstimmen, berechnen die Geräte zunächst unabhängig Gradienten und mitteln diese anschließend. Laut Bericht kann die dafür nötige Datenübertragung den Durchsatz beeinträchtigen. Asynchrone Verfahren könnten diese Wartezeit verringern, schadeten aber der Lerneffizienz; in der Praxis werde deshalb meist synchronisiert.
Pipeline-Parallelität verteilt aufeinanderfolgende Modellschichten auf verschiedene GPUs. Das reduziert den Anteil der Parameter, den jedes Gerät halten muss. Weil spätere Schichten auf frühere Ausgaben warten, entstehen bei einer einfachen Umsetzung jedoch Leerlaufzeiten, sogenannte „Bubbles“. Der Bericht beschreibt Mikrobatches als Gegenmaßnahme: Ein Batch wird in kleinere Teile zerlegt, die die Geräte nacheinander möglichst überlappend bearbeiten. Gradienten werden über die Mikrobatches zusammengeführt, und die Parameter werden erst danach aktualisiert. GPipe und PipeDream stehen für unterschiedliche Zeitpläne; PipeDream könne laut Bildbeschreibung effizienter sein, indem es teilweise mit veralteten Parametern rechnet.
Tensor-Parallelität teilt Berechnungen innerhalb einer Schicht, etwa Matrixmultiplikationen, auf GPUs auf. Die Geräte berechnen Teile des Ergebnisses, die anschließend zusammengeführt werden. Megatron-LM dient als Beispiel für Aufteilungen in Transformer-Schichten. Der Bericht nennt außerdem PTD-P, das Tensor-, Daten- und Pipeline-Parallelität kombiniert, sowie Sequenzparallelität, bei der eine Eingabesequenz aufgeteilt wird, um den Spitzenspeicherbedarf zu senken.
Bei einem Mixture-of-Experts-Modell wählt ein Gating-Mechanismus für eine Eingabe nur einen Teil der verfügbaren Experten aus. Der Artikel führt dies als Möglichkeit an, die Parameterzahl zu erhöhen, ohne den Rechenaufwand entsprechend zu steigern; Experten können auf unterschiedlichen GPUs liegen. Als Beispiele nennt er GShard und Switch Transformer.
Abschließend beschreibt der Bericht weitere Speicherstrategien: Aktivierungs-Checkpointing spart Speicher, indem Zwischenwerte im Rückwärtslauf erneut berechnet werden, kostet aber zusätzliche Rechenzeit. Gemischte Genauigkeit kann Speicherbedarf senken und die Rechenleistung moderner Beschleuniger nutzen; bei sorgfältigem Vorgehen könne der Genauigkeitsverlust laut Bericht sehr gering sein. Auslagern, speichereffiziente Optimierer und Kompression werden ebenfalls genannt, jeweils mit möglichen Kosten oder Umsetzungsanforderungen. Der Text ist eine erklärende Übersicht mit Beispielen und Trade-offs. Er liefert keine systematischen Vergleichsmessungen oder allgemeingültige Empfehlung, welche Technik für einen konkreten Trainingsaufbau am besten ist.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Zusammenfassungen sind dem Bericht im Wesentlichen treu; die Lücken betreffen Detailthemen wie Mikrobatches und Speicheroptimierer. Der Quelltext enthält außerdem Abbildungsbeschriftungen (Abbildung 5 bis 7, abstrakte Gemälde), die inhaltlich nichts mit dem Artikel zu tun haben. Die drei Sammelfragen sind nur schwach durch den Bericht abgedeckt; Lunas Stufe 3 mit 60 bis 68 % Anteil ist daher für diese Fragen nicht gerechtfertigt.
Im Bericht, aber nicht in der Zusammenfassung
- Pipeline-Parallelität verursacht Leerlaufzeiten ("Bubbles"), die durch Mikrobatches verringert werden sollen (in der kurzen Fassung nicht erwähnt)
- Speichereffiziente Optimierer wie Adafactor und ZeRO als Auslagerungs- bzw. Verteilungsansatz werden nicht genannt
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Unabhängig prüfen
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 68 %Hintergrund, keine Belege
- JEV 53 %gleiches Oberthema, hilft nicht
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 50 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 73 %gleiches Oberthema, hilft nicht
- d3-ultra
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 76 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 33 %gleiches Oberthema, hilft nicht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 60 %Hintergrund, keine Belege
- JEV 33 %Hintergrund, keine Belege
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
- SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- clef 100 %kein Bezug
- Luna 59 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Modelle teilen und schützen
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 53 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 65 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Weitere Berichte zu diesen Fragen
- Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Alle Berichte im Archiv