神級項目訓練GPT-2僅需5分鐘，Andrej Karpathy都點贊
還記得 Andrej Karpathy 純 C 語言復現 GPT-2 大模型的項目嗎？
今年 4 月，AI 領域大牛 Karpathy 一個僅用 1000 行代碼即可在 CPU/fp32 上實現 GPT-2 訓練的項目「llm.c」曾經引發機器學習社區的熱烈討論。
llm.c 旨在大幅簡化大模型的訓練，ta 使用純 C 語言 / CUDA，不需要 245MB 的 PyTorch 或 107MB 的 cPython。不過即使是這樣的優化，復現 GPT-2 級別的模型也需要在 8 塊 H100 上花費 45 分鐘進行訓練。
沒想到幾個月過去，業界水平居然有了指數級的提升，讓 Karpathy 本人都感到驚嘆：
在 GitHub 上出現了一個新項目「Modded-NanoGPT」，對技術進行了大幅度的迭代，現在實現相同的結果只需要 5 分鐘。該研究的作者 Keller Jordan 曾在 Hive AI 工作，一直以來的研究方向都著重于模型訓練的優化。他在本周三表示，利用具有大序列長度的 FlexAttention，他已把速度的記錄從 7.2 分鐘提升到了 5 分鐘。
現在有了 FlexAttention 和較大的 seqlen，文檔的拆分更少了，因此語言建模在訓練和驗證時都變得更容易。該記錄在 HellaSwag 上的準確率略有降低，約為 29%，而之前的記錄和 Andrej Karpathy 的原始訓練準確率約為 30%。
讓我們看看他是怎么做的：
項目鏈接：https://github.com/KellerJordan/modded-nanogpt/tree/master
Modded-NanoGPT
該項目名為「Modded-NanoGPT」，它是 llm.c 存儲庫的 PyTorch GPT-2 訓練器的改進變體：
- 10B tokens-->1B tokens
- 8xH100 上花 45 分鐘訓練 -->8xH100 上花 5 分鐘訓練
Modded-NanoGPT 采用如下技術：
- 先進的架構：旋轉嵌入、QK-Norm 和 ReLU^2；
- 新優化器：Muon；
- 嵌入中的 Untied Head；
- 投影和分類層初始化為零（muP-like）；
- 架構 shortcut：值殘差和嵌入 shortcut（部分遵循論文《Value Residual Learning For Alleviating Attention Concentration In Transformers》）；
- 動量（Momentum）warmup；
- Tanh soft logit capping（遵循 Gemma 2）；
- FlexAttention。
要進行訓練，請運行以下三個命令：
pip install -r requirements.txt
pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cu124 —upgrade # install torch 2.6.0
python data/cached_fineweb10B.py 10 # downloads only the first 1.0B training tokens to save time
./run.sh在網絡連接良好的 8xH100 上，訓練應在 20 分鐘內完成。
結果將是一個具有 124M 活躍參數的 transformer，在 10 億 Fineweb tokens 上訓練了 1875 steps，實現了約 3.278 的驗證損失。相比之下，默認的 llm.c PyTorch 訓練器在 100 億 tokens 上訓練了 19560 steps 后，驗證損失 >3.28。
值得一提的是，要在更少的 GPU 上運行 Modded-NanoGPT，只需修改 run.sh 以獲得不同的 --nproc_per_node。如果內存不足，只需在 train_gpt2.py 中將 device_batch_size 縮小到 16 或 32。
這里有一個適用于全新 8xH100 實例的啟動腳本：
sudo apt-get update
sudo apt-get install vim tmux python3-pip python-is-python3 -y
git clone https://github.com/KellerJordan/modded-nanogpt.git
cd modded-nanogpt
tmux
pip install numpy==1.23.5 huggingface-hub tqdm
pip install --upgrade torch &
python data/cached_fineweb10B.py 18如果 CUDA 或 NCCL 版本與你當前的系統設置不兼容，Docker 可以成為一種有用的替代方案。這種方法標準化了 CUDA、NCCL、CUDNN 和 Python 的版本，減少了依賴性問題并簡化了設置。注意：系統上必須已安裝 NVIDIA 驅動程序。
sudo docker build -t modded-nanogpt .
sudo docker run -it --rm --gpus all -v $(pwd):/modded-nanogpt modded-nanogpt python data/cached_fineweb10B.py 18
sudo docker run -it --rm --gpus all -v $(pwd):/modded-nanogpt modded-nanogpt sh run.sh有一個問題在于，NanoGPT 訓練很快是很好，但它可能無法擴展，只是過擬合了 val 損失？Keller Jordan 表示，這很難反駁，因為「按規?！故且粋€無限類別（如果這些方法對 >100T 的模型就不奏效了怎么辦？），因此無法完全證明。此外，作者也同意快速運行中使用的一些方法不太可能擴展。但如果讀者關心 1.5B 模型，他們可能會被這個結果說服：
直接將快速運行（10/18/24 版本）擴展到 1.5B 參數可以得到一個具有 GPT-2（1.5B）級 HellaSwag 性能的模型，它要比 Karpathy 的基線便宜 2.5 倍（233 美元對比 576 美元）：
Muon optimizer
除了在前人的肩膀上探索，新項目也使用了 Keller Jordan 自研的優化方式。比如這個 Muon 優化器，據他所說是目前已知最快的優化器，適用于包括 CIFAR-10 和 GPT-2 規模語言建模在內的各種訓練場景。
Muon 的定義如下：
其中 NewtonSchulz5 是 Newton-Schulz 之后的迭代，它近似地用 U @ V.T 替換 G，其中 U, S, V = G.svd ()。
@torch.compile
def zeroth_power_via_newtonschulz5 (G, steps=5, eps=1e-7):
assert len (G.shape) == 2
a, b, c = (3.4445, -4.7750, 2.0315)
X = G.bfloat16 () / (G.norm () + eps)
if G.size (0) > G.size (1):
X = X.T
for _ in range (steps):
A = X @ X.T
B = b * A + c * A @ A
X = a * X + B @ X
if G.size (0) > G.size (1):
X = X.T
return X.to (G.dtype)對于這種訓練場景，Muon 具有以下有利特性：
- 內存使用量比 Adam 低
- 采樣效率提高約 1.5 倍
- 掛鐘開銷小于 2%
總結
作者表示，生成此優化器的許多選擇都是通過追求 CIFAR-10 快速運行而通過實驗獲得的。其中值得一提的經驗包括：
- 在更新中使用 Nesterov 動量，在動量之后應用正交化。
- 使用特定的五次 Newton-Schulz 迭代作為正交化方法。
- 使用五次多項式的非收斂系數以最大化零處的斜率，從而最小化必要的 Newton-Schulz 迭代次數。事實證明，方差實際上并不那么重要，因此我們最終得到一個五次多項式，它在重復應用后（快速）收斂到 0.68、1.13 的范圍，而不是到 1。
- 在 bfloat16 中運行 Newton-Schulz 迭代（而 Shampoo 實現通常依賴于在 fp32 或 fp64 中運行的逆 pth 根）。
使用 Newton-Schulz 迭代進行正交化的方法可以追溯到 Bernstein & Newhouse (2024)，他們建議將其作為計算 Shampoo 預處理器的方法，并從理論上探索了沒有預處理器累積的 Shampoo。Keller Jordan 特別感謝了論文作者之一 Jeremy Bernstein 的協助。
如果我們在這里使用 SVD 而不是 Newton-Schulz 迭代，那么這個優化器就會因為太慢而無法使用。Bernstein & Newhouse 還指出，沒有預處理器累積的 Shampoo 相當于譜范數中的最陡下降，因此 Shampoo 可以被認為是一種平滑譜最陡下降的方法。所提出的優化器可以被認為是平滑譜最陡下降的第二種方法，與 Shampoo 相比，它具有不同的內存和運行時權衡。
