五年后的今天,训练GPT-2只需672 美元、24小时

2024/07/12

机器之心报道

编辑：杜伟、泽南

2019 年 2 月，OpenAI 发布了 GPT-2，因为在文本生成上的优异表现，以及对于预训练 Transformer 架构的充分运用，被认为是如今大预言模型的「始祖」。

五年后的今天，训练 GPT-2 这样 15 亿参数的大模型，只需要花费 672 美元，在一个 8XH100 的 GPU 节点上跑 24 个小时就可以搞定了。

本周四，前特斯拉 Autopilot 负责人、OpenAI 科学家 Andrej Karpathy 在他纯 C 语言复现 GPT-2 大模型的项目「llm.c」的最新进展中分享了他的训练心得：

令人难以置信的是，由于计算硬件（英伟达 H100 GPU）、软件（CUDA、cuBLAS、cuDNN、FlashAttention 等）和数据质量（例如 FineWeb-Edu 数据集）的改进，过去 5 年间，大语言模型的训练成本大幅下降。Karpathy 表示，对于此次实践，算法遵循 GPT-2/3 论文基本保持原样不变。

当年 OpenAI 训练 GPT-2 花费了多少钱？这是个至今仍然未知的数字。Karpathy 粗略地估算认为是这回成本的 100 倍，大概要到 10 万美元的量级。

基本相同的任务，运行效率却有天壤之别，这体现了近几年来 AI 领域和算力基础设施的飞速发展。

由于 llm.c 是在 C/CUDA 中 GPT 训练的直接实现，因此要求其实很少 —— 不需要 conda 环境、Python 解释器、pip 安装等。如果你也要尝试，可以启动云 GPU 节点（例如在 Lambda 上），可选择安装 NVIDIA cuDNN、NCCL/MPI，下载 .bin 数据分片，编译并运行，几分钟后即可开始。

然后，你就可以等待 24 小时，然后欣赏通用大语言模型的能力了。

「对于 llm.c 项目来说，这是一个非常好的节点。因为整个项目都是从我考虑为教育视频重现 GPT-2 开始的。我遇到一些 PyTorch 的东西时卡住了，然后愤怒地退出，再用 C/CUDA 从头开始编写整个项目，」Karpathy 表示。「这让我踏上了比预想更长的旅程。但它非常有趣，我学到了更多的 CUDA，一路上结交了朋友，现在的 llm.c 真的很棒。它有大约 5000 行代码，编译和步骤非常快，几乎不需要等待。它具有恒定的内存占用，它以混合精度进行训练，使用 NNCL 分布在多节点上。它是按位确定性的，并且徘徊在 MFU 的 50% 左右。所以它很 ok。」

对于 llm.c 项目而言，越做似乎挖得坑越大。Andrej Karpathy 对目前的运行结果仍然不是 100% 满意 —— 他认为评估应该更好，训练应该更稳定，尤其是在较长时间运行的较大模型尺寸下。

他还预告了一些有趣的新方向：fp8（即将推出）、推理、微调、多模态（VQVAE 等）、更现代的架构（Llama/Gemma）。llm.c 的目标仍然是为功能齐全的 LLM 智能体提供简单、最小、干净的训练堆栈，直接使用 C/CUDA，并包含配套的教育材料，可以让许多初学者快速了解这个令人敬畏的领域。

说完了这么多，该看看 24 小时训练 GPT-2 的成果了：Karpathy 使用更长的 400B token GPT-2 运行（从 33B token 增加），效果良好，直到 330B（达到 61% HellaSwag，远高于这个大小的 GPT-2 和 GPT-3），然后在这个图之后不久爆炸了。目前作者还在继续进行研究。

接下来看详细项目介绍。

GitHub 地址：https://github.com/karpathy/llm.c/discussions/677

训练。使用 llm.c 训练 GPT-2 非常简单，因为它是用 C/CUDA 编写的，因此不需要 minconda、Python、PyTorch 等。你只需一个 8XH100 GPU box，Karpathy 建议从 Lambda Labs 购买一个。

不过 llm.c 在计算上很灵活，如果你只有 1 个 GPU，仍然可以训得 GPT-2，这时你需要等待 8 天而不是 1 天。如果你有 16 个 GPU（例如使用新的 Lambda 1 Click Clusters），则能够训练多节点，这时只需等待 12 小时。启动节点后，以下是训练 GPT-2 的完整说明：

# install cudnn so we can use FlashAttention and run fast (optional)

# https://developer.nvidia.com/cudnn-downloads

# for me, CUDA 12 (run `nvcc --version`) running on Linux x86_64 Ubuntu 22.04

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb

sudo dpkg -i cuda-keyring_1.1-1_all.deb

sudo apt-get update

sudo apt-get -y install libcudnn9-dev-cuda-12

# "install" cudnn-frontend to ~/

git clone https://github.com/NVIDIA/cudnn-frontend.git

# install MPI (optional, if you intend to use multiple GPUs)

# (you might also have to install NVIDIA NCCL if it doesn't come with your setup)

sudo apt -y install openmpi-bin openmpi-doc libopenmpi-dev

# download and enter llm.c repo

git clone https://github.com/karpathy/llm.c.gitcd llm.c

# download the "starter pack" (~1GB download)

# contains GPT2-124M weights (used in tests), tokenizer, eval data .bin s

./dev/download_starter_pack.sh

# download the training dataset (FineWeb-Edu 100B token) .bin data shards

# note: this is a total of 1001 data shards. If you only want to test things

# out and don't want to do an actual run, feel free to append the number of

# training shards to download (e.g. for just 10 shards: ./edu_fineweb.sh 10)

# the full dataset is ~200GB, we can store it here in dev/data directory.

cd dev/data

./edu_fineweb.sh

# compile (~1 min 1st time for cuDNN mostly, few sec from then on)

cd ../../

make train_gpt2cu USE_CUDNN=1

# and train! (wait 24 hours here)

mpirun -np 8 ./train_gpt2cu \

-i "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \

-j "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \

-o "log_gpt2_1558M" \

-v 250 -s 300000 -g 384 \

-h 1 \

-b 16 -t 1024 \

-d 1048576 \

-r 0 \

-z 1 \

-c 0.1 \

-k "cosine" \

-l 0.0006 \

-q 0.1 \

-u 700 \

-n 2000 \

-x 32000 \

-ge 1 \

-y 1 \

-e "d48"

开始优化：

num_parameters: 1557686400 => bytes: 3115372800

allocated 2971 MiB for model parameters

batch_size B=16 * seq_len T=1024 * num_processes=8 and total_batch_size=1048576

=> setting grad_accum_steps=8

created directory: log_gpt2_1558M

allocating 40409 MiB for activations

val loss 11.129390

allocating 2971 MiB for parameter gradients

allocating 742 MiB for AdamW optimizer state m

allocating 742 MiB for AdamW optimizer state v

allocating 742 MiB for master copy of params

每一步大约需要 2.75 秒，共有 32000 步，所以现在博鱼·综合体育等待 24 小时左右。在每一步中，训练运行都会占用约 100 万个 FineWeb-EDU token（这些来自互联网的教育网页），并更新模型的 15.58 亿个权重，使其能够更好地预测序列中的下一个 token。最后将总共处理 32000 * 1048576 = 33.6B 个 token。随着更好地预测下一个 token，损失会下降。范数将稳定在 0.1-1 左右，学习率在前面几步预热。模型 flops 利用率 (MFU) 约为 50%，非常高效。

等待 24 小时后，就可以使用 dev/vislog.ipynb jupyter 笔记本可视化 main.log 日志文件。为此，你还需要安装 Python 和 matplotlib。

参数指南。OpenAI 发布的 GPT-2 包含模型权重，但细节很少；而 GPT-3 版本没有权重，但细节很多。因此，在许多情况下，博鱼·综合体育遵循 GPT-3 论文超参数，因为 GPT-2 论文的信息非常少。具体参见原项目。

内存指南。大多数人可能面临的最大限制是他们的 GPU 没有 80GB。没关系，你仍然可以运行上面的所有内容，只是运行速度会更慢。因此如果模型不适配，你会怎么做？最重要的是微批大小 - b。尝试减小它，但将其保持在合适的数字，例如 16 → 8 → 4 → 2 → 1。从那里开始，尝试使用重计算设置 -r，即 0（最快且有大量内存）、1（稍微慢一点，但节省大量内存）或 2（稍微慢一点，节省较少内存）。

你可以做的下一件事是禁用 fp32 中的主权重，可以使用 - w 0 （默认值 1）来执行此操作。博鱼·综合体育不会维护 fp32 参数副本。根据经验，在之前的几次运行中，这似乎没问题，可能是因为使用了随机舍入。如果还不适合，则可以尝试使用 -t 来减少最大序列长度，默认值为 1024，你可以将其降低到 512、256 等。但现在你会让模型变得更糟，因为它的最大注意力跨度正在减少。

代码。Karpathy 对 llm.c 略有偏爱，认为它非常漂亮：

主要入口点和大部分代码位于文件 train_gpt2.cu 中。它包含 GPT-2 模型定义和约 2,000 LOC 的训练 loop，并从 llmc 目录导入了一堆带有各种实用程序和各个层实现的辅助文件。最后 cloc llmc 报告了 23 个文件、3170 LOC，而 cloc train_gpt2.cu 目前是 1353 LOC。

多节点训练。如果你拥有大量 GPU，并且 llm.c 支持多节点训练，则不用考虑太多了。Karpathy 见过训练 llm.c 时最多使用了约 500 个 GPU，他自己迄今为止进行的最大规模运行是在 Lambda 的全新一键集群功能上进行的，在 2 个节点中共使用了 16XH100 GPU。

同时 lambda 团队提供了有关如何在其一键集群上训练 llm.c 模型的详细说明。例如使用 512-GPU H100 集群，每小时花费 2,300 美元，你或许能够在约 30 分钟内训练 GPT-2。你必须增加总批量大小（例如增加至约 8M），或许还得微调超参数。Karpathy 还没有尝试过，但它可能有效，而且会非常酷。

与 PyTorch 比较。Karpathy 认为在 PyTorch 中相当的运行看起来像这样，使用并行 PyTorch 实现：

torchrun --standalone --nproc_per_node=8 train_gpt2.py \

--input_bin "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \

--input_val_bin "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \

--write_tensors 0 \

--model d48 \

--batch_size 8 --sequence_length 1024 --total_batch_size 1048576 \

--dtype bfloat16 \

--compile 1 \

--tensorcores 1 \

--flash 1 \

--num_iterations 32000 \

--warmup_iters 700 \

--weight_decay 0.1 \

--overfit_single_batch 0 \

--learning_rate 0.0006 \

--zero_stage 1

PyTorch 代码仅供测试参考，而非实际实现，因此训练 loop 在某些地方会略有不同（例如数据加载器不会对分片进行置换等），但这仍可能作为参考点有用。这里还将默认词汇大小修改为 50257 → 50304 以提高效率，然后当前的 PyTorch 夜间给出：

现在不能说完全有信心 PyTorch 脚本已得到最大程度的调整，但可以得到以下观察结果。

PyTorch 似乎占用了更多内存（此次运行约为 80GB），而 llm.c 占用了 57GB（减少了 29%）。内存很重要，因为它允许增加批处理大小（例如 llm.c 在此处最多可以增加到 24 个微批处理），这样速度会更快一些。

其次，每次迭代大约为 3386 毫秒，而非 2750 毫秒，因此 llm.c 的速度提高了约 19%。这里的一些收益是已知的，例如 llm.c 包括启动反向传递的融合分类器等优化，这是 torch.compile 目前无法做到的。

但是也可能存在一种情况，这个脚本没有完全进行最大程度的调整。这里不做赘述。

最终模型。以下几个链接可能对其他人有帮助：

模型导出。模型导出可以按如下方式进行：

python dev/eval/export_hf.py --input log_gpt2_128M/model_00032000.bin --output gpt2_1558M_export

然后就可以运行 Eleuther 评估工具，或者运行 huggingface 采样 pipeline 来获取模型样本：

# take model for spin

import torch

output = "./gpt2_1558M_final2_hf"

# set pytorch seeds

torch.manual_seed(42)torch.cuda.manual_seed(42)

prompt = "In a shocking finding, scientist discovered a herd of unicorns living in a remote, previously unexplored valley, in the Andes Mountains. Even more surprising to the researchers was the fact that the unicorns spoke perfect English."

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(output)model = AutoModelForCausalLM.from_pretrained(output, attn_implementation="flash_attention_2", torch_dtype=torch.bfloat16, device_map='cuda')model.eval()tokens = tokenizer.encode(prompt, return_tensors="pt")tokens = tokens.to('cuda')

output = model.generate(tokens, max_new_tokens=500, pad_token_id=tokenizer.eos_token_id, do_sample=True, top_k=50, num_return_sequences=4)samples = tokenizer.batch_decode(output)for sample in samples:

print('-'*30)

print(sample)

你还可以查看 dev/eval，以获取有关如何运行 Eleuther Evaluation Harness、以及 HuggingFace Open LLM 排行榜评估等说明。

400B token 运行。Karpathy 还尝试将训练 GPT-2 的时间远超过 33B token，特别是将 -x 更改为 400,000 以训练 420B token（甚至比使用 300B token 训练的 GPT-3 还要多）。这个模型运行看起来很棒，直到大约 330,000 步：

最终，模型在 HellaSwag 上大大超越了同等大小的 GPT-2 和 GPT-3（最高可达约 61%），但遗憾的是，从那时起它就变得不稳定了。在此过程中，还有更多较小的峰值，但代码配置为检测更简单的瞬时不稳定性并跳过更新（Karpathy 使用了标志 sl 5.0 -sg 5.0），这有助于缓解和推迟问题。但是，他认为对初始化、激活范围和整体模型训练稳定性还不够谨慎，并存在更深层次问题，这些问题会逐渐使模型陷入不稳定状态，较大模型和长时间训练更是如此。

参考内容：

https://x.com/karpathy/status/1811467135279104217

上一篇 : 机器人大模型新公司Skild AI数据规模比同行大1000倍！下一篇 : 论文：在解码中重新对齐，让语言模型更少幻觉

预约演示

五年后的今天,训练GPT-2只需672 美元、24小时