1,327 lượt đọc

Cách đạt được tốc độ LLM 1000 lần để đào tạo, thử nghiệm và triển khai hiệu quả và tiết kiệm chi phí

từ tác giả Thomas Cherickal11m2023/11/14

dài quá đọc không nổi

Làm cách nào bạn có thể tạo LLM với một phần chi phí, thời gian và nhân lực hiện tại? Đây là một cách khả thi sẽ làm bạn kinh ngạc về tính đơn giản và hiệu quả của nó.

featured image - Cách đạt được tốc độ LLM 1000 lần để đào tạo, thử nghiệm và triển khai hiệu quả và tiết kiệm chi phí

‘mdjrny-v4 style Incredible Awesome Beautiful Unbelievable Future’ Image created by HackerNoon AI Image Generator

Tất cả hình ảnh được tạo bởi Bing Image Creator.

Biểu diễn số nhị phân trong LLM

Một ý tưởng nghiên cứu ban đầu

Biểu diễn nhị phân có thể cho phép lưu trữ và tính toán hiệu quả hơn so với vectơ dấu phẩy động trong một số trường hợp nhất định, thậm chí có thể là trường hợp chung.

Vì các vectơ nhị phân chỉ cần lưu trữ các số 0 và 1 nên chúng yêu cầu ít bộ nhớ hơn và cho phép xử lý nhanh hơn một số thao tác nhất định như tính toán khoảng cách Hamming .

Điều này có thể thuận lợi cho các bộ dữ liệu vectơ rất lớn trong quá trình đào tạo, thử nghiệm, triển khai và sản xuất.

Vấn đề số một với LLM hiện nay là số tiền khổng lồ cần thiết để tạo ra chúng. Nếu cách tiếp cận này thành công, điều đó có thể trở thành quá khứ.

Tuy nhiên, việc chuyển đổi sang nhị phân cũng có một số nhược điểm tiềm ẩn.

Có thể mất thông tin khi giảm vectơ dấu phẩy động dày đặc, có độ chính xác cao thành biểu diễn nhị phân thưa thớt.

Các sơ đồ mã hóa nhị phân cần phải được thiết kế cẩn thận để bảo tồn càng nhiều ý nghĩa ngữ nghĩa càng tốt.

Các vectơ phức tạp hơn như các vectơ từ các mô hình máy biến áp lớn có thể khó nhị phân hóa hơn mà không bị suy giảm.

Đối với các tác vụ tìm kiếm và truy xuất tương tự, biểu diễn nhị phân có thể hoạt động tốt khi các mô hình được huấn luyện để tạo ra mã nhị phân chất lượng tốt.

Điều quan trọng là tối ưu hóa mô hình để giảm thiểu mất thông tin để các mục tương tự về mặt ngữ nghĩa vẫn ánh xạ tới các vectơ nhị phân tương tự.

Đây là một lĩnh vực nghiên cứu tích cực.

Một hệ thống như vậy sẽ hoạt động như thế nào?

Một phương pháp là huấn luyện bộ mã hóa tự động để nén các vectơ dấu phẩy động dày đặc từ LLM thành mã nhị phân nhỏ gọn hơn, tốt nhất là trong phần cứng.

Phần mã hóa của bộ mã hóa tự động sẽ học cách ánh xạ các vectơ chiều cao thành mã nhị phân chiều thấp, trong khi bộ giải mã sẽ tái tạo lại vectơ gốc.

Mô hình được tối ưu hóa để giảm thiểu lỗi tái tạo, do đó mã nhị phân lưu giữ được nhiều thông tin nhất có thể.

Sau khi được đào tạo, bộ mã hóa có thể được sử dụng để tạo mã nhị phân cho các vectơ mới.

Các siêu tham số chính khi huấn luyện bộ mã hóa tự động bao gồm kích thước mã (số bit trong mã nhị phân) và hàm mất.

Mã nhỏ hơn sẽ hiệu quả hơn nhưng có nguy cơ mất thông tin cao hơn.

Hàm mất mát, chẳng hạn như sai số bình phương trung bình hoặc độ tương tự cosin, xác định những khía cạnh nào của vectơ được giữ nguyên.

Sự mất đi tính tương tự cosine có xu hướng cải thiện ý nghĩa ngữ nghĩa.

Một cách tiếp cận khác là sử dụng các kỹ thuật băm như băm nhạy cảm cục bộ (LSH) để nhị phân hóa các vectơ.

LSH sử dụng các phép chiếu ngẫu nhiên để ánh xạ các vectơ tương tự vào cùng một "nhóm" với xác suất cao.

Các hàm băm có thể được chọn sao cho khoảng cách hamming giữa các mã nhị phân phản ánh độ tương tự cosin của các vectơ gốc.

Tại thời điểm truy vấn, mã nhị phân cho các vectơ truy vấn và cơ sở dữ liệu có thể được so sánh thông qua tính toán khoảng cách hamming thay vì độ tương tự cosine để truy xuất nhanh hơn.

Sau đó, các ứng cử viên có thể được xếp hạng lại bằng cách sử dụng điểm cosine chính xác.

Huấn luyện mô hình nhị phân trực tiếp trên vectơ của LLM có thể giúp điều chỉnh mã hóa cụ thể cho không gian vectơ đó.

Tuy nhiên, học chuyển giao cũng có thể hoạt động tốt, đặc biệt đối với các mô hình lớn như GPT-3, nơi việc đào tạo trực tiếp bộ mã hóa tự động rất tốn kém.

Ngoài ra còn có các phương pháp kết hợp khả thi trong đó các thành phần vectơ nhất định được nhị phân hóa trong khi các thành phần khác vẫn ở dạng float.

Ví dụ: một số thông tin ngữ nghĩa có thể được mã hóa ở dạng nhị phân trong khi độ chính xác cho thông tin vị trí như thứ tự từ được giữ lại ở dạng float.

Sơ đồ mã hóa tối ưu có thể phụ thuộc vào LLM cụ thể, trường hợp sử dụng và kích thước của tập dữ liệu.

Các biểu diễn nhị phân cho thấy hứa hẹn cải thiện khả năng tìm kiếm và truy xuất vectơ quy mô lớn, nhưng vẫn cần nghiên cứu thêm về các kỹ thuật nén vectơ mất dữ liệu để nhúng mô hình ngôn ngữ phức tạp.

Cần phải điều chỉnh và đánh giá cẩn thận mức độ mất thông tin và mức tăng hiệu quả để đạt được sự cân bằng hợp lý.

Tối ưu hóa LLM được mã hóa nhị phân

Những gì tôi đang nghĩ đến là một cái gì đó dọc theo những dòng này:

Máy biến áp nhị phân - Thiết kế các biến thể kiến trúc máy biến áp chuyên dụng cho các phép tính nhị phân như tự chú ý nhị phân. Có thể cung cấp tốc độ tăng tốc 10-100 lần.
Tìm kiếm kiến trúc thần kinh nhị phân - Tự động hóa thiết kế mô hình bằng cách sử dụng NAS tập trung vào các khối xây dựng nhị phân để đạt hiệu quả.
Mô hình tạo nhị phân - Huấn luyện các mô hình biến tiềm ẩn nhị phân như VAE để nén và tạo văn bản.
Học tăng cường nhị phân - Áp dụng RL để tìm hiểu các chính sách nhị phân cho các tác vụ như tóm tắt văn bản.
Lập trình vi phân nhị phân - Biên dịch các mô hình thành mạch nhị phân để tăng tốc phần cứng tùy chỉnh.
Thuật toán biểu đồ nhị phân - Tối ưu hóa các thuật toán chính như Xếp hạng trang và tích chập biểu đồ để nhúng biểu đồ nhị phân.
Chính quy đối nghịch nhị phân - Sử dụng huấn luyện đối nghịch để cải thiện độ mạnh của vectơ nhị phân.
Cắt tỉa nhị phân - Loại bỏ các trọng số nhị phân dư thừa để khai thác tính thưa thớt của mô hình.
Chưng cất lượng tử hóa nhị phân - Chắt lọc kiến thức từ các mô hình lớn hơn thành các mô hình nhị phân được lượng tử hóa.
Lý thuyết mã hóa nhị phân - Áp dụng các khái niệm lý thuyết thông tin như mã hóa Huffman để nén kích hoạt.
Nhúng nhị phân - Việc thể hiện nhúng từ và mã thông báo trong vectơ nhị phân nhỏ gọn thay vì số float có thể làm giảm đáng kể dung lượng bộ nhớ và tăng tốc độ tính toán tương tự. (Điều này quá rõ ràng!)
Kích hoạt nhị phân - Sử dụng các giá trị nhị phân bit thấp để kích hoạt mạng thần kinh có thể nén kích thước mô hình và cho phép tính toán số nguyên nhanh hơn.
Phép nhân ma trận nhị phân - Các thuật toán chuyên dụng để nhân ma trận nhị phân có thể tối ưu hóa các nút thắt tính toán chính.
Băm nhị phân - Băm nhạy cảm cục bộ nhúng các mục tương tự vào mã nhị phân để tìm kiếm hàng xóm gần nhất gần đúng nhanh chóng.
Lượng tử hóa bit thấp - Số float có thể được lượng tử hóa thành số nguyên bit thấp như 8 bit với mức độ mất độ chính xác tối thiểu khi nén 4x.
Khai thác tính thưa thớt - Bỏ qua các giá trị 0 trong các vectơ nhị phân thưa thớt có thể tránh được các phép tính lãng phí.
Hoạt động song song - Các tính toán nhị phân như nhân ma trận có thể được song song một cách hiệu quả trên nhiều thiết bị.
Tham số nhỏ gọn - Lưu trữ tham số ở định dạng nhị phân giúp giảm kích thước mô hình.
Phần cứng nhị phân tùy chỉnh - Phần cứng chuyên dụng được tối ưu hóa cho các hoạt động nhị phân có thể tăng tốc độ, thậm chí lên tới 10.000 lần (ước tính sơ bộ so sánh số học dấu phẩy động với thao tác bit, đặc biệt là với phần cứng chuyên dụng và xử lý vectơ chuyên dụng hoặc thậm chí xử lý ma trận.

Tăng tốc hiệu suất

Mặc dù khả năng tăng tốc tối đa về mặt lý thuyết từ 1000 lần trở lên dường như có thể thực hiện được trên giấy tờ, nhưng một số thách thức kỹ thuật thực tế sẽ hạn chế lợi ích thực tế.

Đối với đào tạo, tắc nghẽn giao tiếp để đồng bộ hóa gradient trong quá trình đào tạo song song phân tán có thể hạn chế việc tăng tốc.

Trong khi các biểu diễn nhị phân làm giảm nhu cầu băng thông liên lạc, thông lượng tính toán cốt lõi sẽ phụ thuộc vào việc song song hóa trên nhiều thiết bị.

Song song dữ liệu có ích, nhưng có thể cần các phương pháp tiếp cận song song theo mô hình để tận dụng tối đa hàng nghìn thiết bị song song.

Điều này giới thiệu thêm sự phức tạp của phần mềm.

Mức độ nhị phân hóa có thể cũng bị giới hạn bởi sự cân nhắc về độ chính xác.

Một số thành phần nhất định như cơ chế chú ý khó nhị phân hóa hoàn toàn hơn mà không ảnh hưởng đến chất lượng mô hình.

Cách tiếp cận kết hợp có thể hoạt động tốt hơn, kết hợp các phép toán nhị phân và dấu phẩy động. Tìm sự cân bằng phù hợp cho từng mô hình là chìa khóa

Phần cứng tùy chỉnh như ASIC có thể tăng tốc đáng kể phép nhân ma trận nhị phân và các hoạt động cơ bản khác. Nhưng chúng hy sinh khả năng lập trình và khiến việc triển khai các kiến trúc mô hình cải tiến trở nên khó khăn hơn.

FPGA có thể cung cấp tính linh hoạt cao hơn nhưng thông lượng đỉnh thấp hơn.

Việc triển khai sản xuất trên quy mô lớn đặt ra những thách thức bổ sung về kỹ thuật hệ thống xung quanh suy luận song song có độ trễ thấp.

Việc tối ưu hóa cẩn thận các đường dẫn dữ liệu, chiến lược phân khối và cung cấp phần cứng là điều cần thiết để tối đa hóa thông lượng mà không có độ trễ tăng đột biến.

Vì vậy, mặc dù tối ưu hóa nhị phân có thể mang lại những cải tiến ở mức độ lớn nhưng các giới hạn thực tế lại phụ thuộc vào kiến trúc mô hình, sự kết hợp phần cứng, sự cân bằng giữa độ trễ và thông lượng trong trường hợp sử dụng cũng như nỗ lực kỹ thuật.

Cần có một đánh giá sắc thái để xác định tiềm năng tăng tốc thực tế cho quy trình làm việc của mô hình ngôn ngữ lớn nhất định.

Nhưng đây vẫn là một lĩnh vực thú vị và đầy hứa hẹn để tiếp tục nghiên cứu!

Máy tính biến hình

Có, thuật ngữ này không tồn tại.

Tôi vừa đặt ra nó ngay bây giờ.

Cảm hứng đến từ Máy tính mô phỏng thần kinh.

Điện toán mô phỏng thần kinh nhằm mục đích bắt chước các mạng thần kinh sinh học và có khả năng mang lại các lợi ích như tính song song lớn, mức tiêu thụ điện năng thấp và hiệu suất được tối ưu hóa cho các tính toán kiểu mạng thần kinh.

Điều này làm cho nó trở thành một cách tiếp cận hấp dẫn để khám phá nhằm tăng tốc các mô hình ngôn ngữ lớn dựa trên mạng lưới thần kinh sâu.

Một số cách tiềm năng mà phần cứng thần kinh có thể giúp tối ưu hóa các mô hình ngôn ngữ lớn:

Kiến trúc mạng nơ-ron tăng đột biến tùy chỉnh có thể chạy các mô hình dựa trên máy biến áp một cách hiệu quả đồng thời tận dụng tính năng song song hình thái thần kinh và xử lý theo hướng sự kiện.
Các phương pháp và thuật toán đào tạo mới được thiết kế riêng cho phần cứng thần kinh không đồng bộ, thưa thớt. Điều này có thể cho phép đào tạo nhanh hơn và hiệu quả hơn.
Các chip thần kinh chuyên dụng được thiết kế để tăng tốc độ nhân ma trận, cơ chế chú ý và các hoạt động cốt lõi khác được sử dụng trong các mô hình ngôn ngữ lớn.
Các kỹ thuật học trên chip để cập nhật các tham số và cho phép thích ứng liên tục trên các hệ thống mô phỏng thần kinh đã triển khai.
Máy gia tốc thần kinh công suất thấp để suy luận hiệu quả các mô hình ngôn ngữ lớn.

Điện toán mô phỏng thần kinh vẫn là một lĩnh vực nghiên cứu thú vị để tăng tốc AI thế hệ tiếp theo.

Xử lý song song :
Các hệ thống hình thái thần kinh vốn có tính chất song song, giống như bộ não.
Điều này có nghĩa là chúng có thể xử lý nhiều thao tác đồng thời, không giống như các CPU truyền thống chủ yếu xử lý tuần tự.
Điều này có thể dẫn đến tăng tốc đáng kể các tác vụ có thể song song hóa, chẳng hạn như xử lý các phần khác nhau của mô hình ngôn ngữ hoặc xử lý nhiều yêu cầu cùng một lúc.

Hiệu quả năng lượng :
Chip thần kinh có thể tiết kiệm năng lượng hơn nhiều so với phần cứng truyền thống vì chúng chỉ tiêu thụ năng lượng khi cần thiết, tương tự như tế bào thần kinh chỉ kích hoạt khi được kích hoạt.
Hiệu quả này có thể cho phép các mô hình lớn hơn chạy với ít năng lượng hơn, giảm chi phí và cho phép vận hành bền vững hơn.

Xử lý độ trễ thấp :
Do thiết kế của chúng, các hệ thống mô phỏng thần kinh có thể có độ trễ rất thấp, điều này có lợi cho các tác vụ xử lý ngôn ngữ theo thời gian thực.
Điều này có thể cải thiện khả năng phản hồi của các mô hình ngôn ngữ trong các ứng dụng như dịch thuật, trợ lý giọng nói và chatbot tương tác.

Khai thác thưa thớt :
Các mô hình ngôn ngữ thường xử lý dữ liệu thưa thớt, trong đó hầu hết các phần tử đều bằng 0.
Phần cứng thần kinh có thể khai thác sự thưa thớt này để bỏ qua các phép tính không cần thiết, dẫn đến tăng tốc độ.

Điều này là do chúng có thể được thiết kế để chỉ xử lý và truyền dữ liệu khác 0, giống như cách các nơ-ron chỉ hoạt động khi đạt đến một ngưỡng nhất định.

Học tập trên chip :
Các hệ thống mô phỏng thần kinh có khả năng hỗ trợ việc học trên chip, nghĩa là chúng có thể thích ứng và tối ưu hóa trong thời gian thực mà không cần truyền dữ liệu rộng rãi giữa bộ xử lý và bộ nhớ.
Điều này có thể giảm thời gian và nguồn lực cần thiết để cập nhật các mô hình ngôn ngữ.

Tính toán tương tự :
Nếu phần cứng mô phỏng thần kinh sử dụng tính toán tương tự cho một số tác vụ nhất định, thì nó có thể thực hiện các thao tác nhanh hơn và tiêu tốn ít năng lượng hơn so với tính toán kỹ thuật số, đặc biệt đối với các hoạt động không có tính chất nhị phân.

Việc ước tính mức độ tăng tốc là một thách thức nếu không có thông tin chi tiết về phần cứng và mô hình cụ thể, nhưng chỉ xem xét khả năng xử lý song song, người ta có thể mong đợi mức độ cải thiện hiệu suất cho một số tác vụ nhất định.

Ví dụ: nếu một tác vụ trước đây mất hàng giờ trên CPU truyền thống có thể được thực hiện song song trên hàng nghìn lõi thần kinh, thì tác vụ đó có thể được hoàn thành trong vài phút hoặc thậm chí vài giây.

Ý nghĩa thật đáng kinh ngạc!

Sử dụng GPU và TPU

Việc sử dụng GPU và TPU để xử lý dữ liệu nhị phân thay vì dữ liệu dấu phẩy động thực sự có thể là yếu tố thay đổi cuộc chơi trong một số bối cảnh nhất định.

GPU và TPU là những bộ xử lý song song cao, rất phù hợp để xử lý các khối dữ liệu lớn và thực hiện cùng một thao tác trên nhiều điểm dữ liệu cùng một lúc.

Đây là cách sử dụng GPU/TPU với dữ liệu nhị phân có thể mang lại lợi ích đặc biệt:

Tăng thông lượng : Các phép toán nhị phân đơn giản hơn và nhanh hơn các phép toán dấu phẩy động. GPU, với hàng nghìn lõi, có thể thực hiện các hoạt động nhị phân với thông lượng cao hơn nhiều, có khả năng dẫn đến tăng tốc đáng kể về thời gian xử lý.
Yêu cầu về độ chính xác giảm : Dữ liệu nhị phân yêu cầu độ chính xác thấp hơn so với dữ liệu dấu phẩy động. Điều này có nghĩa là băng thông bộ nhớ và bộ nhớ của GPU có thể được sử dụng hiệu quả hơn vì dữ liệu nhị phân chiếm ít dung lượng hơn. Hiệu quả này có thể cho phép xử lý song song các bộ dữ liệu lớn hơn hoặc lưu trữ nhiều dữ liệu hơn ở các cấp độ nhanh hơn của hệ thống phân cấp bộ nhớ (như bộ đệm), dẫn đến cải thiện hiệu suất.
Hiệu quả năng lượng : Các phép toán nhị phân tiêu thụ ít năng lượng hơn các phép toán dấu phẩy động. Khi chạy trên GPU, điều này có thể dẫn đến khả năng xử lý tiết kiệm năng lượng hơn, điều này rất quan trọng đối với các tính toán quy mô lớn và đối với các môi trường cần quan tâm đến mức tiêu thụ điện năng.
Tính toán đơn giản : Độ phức tạp của thuật toán có thể giảm khi xử lý dữ liệu nhị phân. Việc đơn giản hóa này có thể giúp tối ưu hóa và triển khai các thuật toán trên GPU dễ dàng hơn, có khả năng giảm thời gian và lỗi phát triển.
Tiềm năng cho phần cứng chuyên dụng : Nếu tất cả dữ liệu đều ở dạng nhị phân, thì GPU hoặc bộ xử lý khác có thể được thúc đẩy tối ưu hóa đặc biệt cho tính toán nhị phân. Điều này có thể dẫn đến phần cứng chuyên dụng thậm chí còn xử lý dữ liệu nhị phân hiệu quả hơn so với GPU hiện tại.
Tính song song được cải thiện : Dữ liệu nhị phân có thể dẫn đến thời gian tính toán đồng đều hơn và có thể dự đoán được, lý tưởng cho kiến trúc song song cao của GPU/TPU. Điều này có thể cải thiện hiệu quả sử dụng GPU và giảm tình trạng một số lõi không hoạt động trong khi các lõi khác vẫn đang hoạt động.

Trong bối cảnh các mô hình ngôn ngữ lớn và các ứng dụng AI khác, việc sử dụng dữ liệu nhị phân có thể mang nhiều sắc thái hơn.

Các kỹ thuật như lượng tử hóa nhằm mục đích giảm độ chính xác của dữ liệu để tăng tốc độ tính toán và giảm kích thước mô hình, nhưng đây là sự đánh đổi giữa hiệu suất và độ chính xác.

Nếu một mô hình ngôn ngữ có thể được chạy hiệu quả bằng cách sử dụng dữ liệu nhị phân mà không làm giảm đáng kể độ chính xác thì việc sử dụng GPU thực sự có thể là yếu tố thay đổi cuộc chơi về tốc độ và hiệu quả.

Phần kết luận

Tóm lại, việc khám phá phần cứng và GPU thần kinh trong bối cảnh tối ưu hóa các mô hình ngôn ngữ lớn mang đến một cái nhìn hấp dẫn về tương lai của hiệu quả và hiệu suất tính toán.

GPU/TPU, vốn đã là nền tảng của điện toán hiệu năng cao, đặc biệt là trong lĩnh vực học máy và xử lý dữ liệu, có thể chứng kiến bước nhảy vọt mang tính biến đổi về tiện ích nếu dữ liệu chúng xử lý ở dạng nhị phân.

Sự đơn giản và tốc độ của các phép toán nhị phân, kết hợp với khả năng xử lý song song khổng lồ của các thiết bị này, có thể mang lại thông lượng và hiệu quả sử dụng năng lượng chưa từng có.

Đây sẽ là yếu tố thay đổi cuộc chơi, đặc biệt là trong thời đại mà khối lượng dữ liệu không ngừng tăng lên và nhu cầu xử lý nhanh hơn, hiệu quả hơn luôn hiện diện.

Tuy nhiên, điều quan trọng là phải nhận ra rằng việc chuyển sang dữ liệu nhị phân sẽ kéo theo sự đánh đổi, đặc biệt là về độ chính xác và mức độ chi tiết của thông tin mà các số dấu phẩy động cung cấp.

Khả năng ứng dụng trong thế giới thực của sự thay đổi như vậy sẽ phụ thuộc vào yêu cầu cụ thể của từng ứng dụng và mức độ duy trì độ chính xác.

Tiềm năng của phần cứng mô phỏng thần kinh và việc sử dụng GPU/TPU được tối ưu hóa trong việc xử lý dữ liệu nhị phân là minh chứng cho tinh thần đổi mới đang thúc đẩy ngành công nghệ phần mềm.

Nó nhấn mạnh tầm quan trọng của việc đảm bảo chất lượng, quản lý thời gian và cách tiếp cận lấy người dùng làm trung tâm trong việc phát triển các công nghệ có thể đáp ứng nhu cầu của tương lai.

Khi chúng tôi tiếp tục vượt qua ranh giới của những gì có thể, vai trò của kỹ sư phần mềm sẽ không thể thiếu trong việc định hình một thế giới nơi những chiến lược tính toán tiên tiến này trở thành hiện thực, nâng cao khả năng của các mô hình ngôn ngữ lớn và vô số ứng dụng mà chúng hỗ trợ.