Colossal-AI的改變：

從Colossal-AI的GitHub star數(shù)量中看出，這是衡量其開(kāi)源社區(qū)的指標(biāo)。與其它非常流行的開(kāi)源系統(tǒng)（如Spark、 MongoDB等）相比，在相同時(shí)間內(nèi)Colossal-AI使用增長(zhǎng)速度是最快的。

世界上37個(gè)國(guó)家的用戶正在使用Colossal-AI，還有各種其他人工智能生態(tài)系統(tǒng)使用Colsssal-AI。

Colsssal-AI的重要功能——N-Dim并行系統(tǒng)

這可以將你的復(fù)雜模型可用硬件上，以便最大化使用并行同時(shí)最小化通信。

Colsssal-AI提供了完整的并行方法，包括數(shù)據(jù)并行、張量并行、流水線并行和序列并行，同時(shí)還有團(tuán)隊(duì)提出的2維、2.5維和3維張量并行以及序列并行。

其中優(yōu)化了數(shù)據(jù)并行，可以讓你以最小的損失在相當(dāng)大的規(guī)換下訓(xùn)練模型。

大規(guī)模優(yōu)化器如何優(yōu)化數(shù)據(jù)并行

與單個(gè)GPU訓(xùn)練相比數(shù)據(jù)并行訓(xùn)練將整個(gè)數(shù)據(jù)集分為幾個(gè)分區(qū)。

每個(gè)GPU擁有1個(gè)數(shù)據(jù)集分區(qū)，模型在每個(gè)GPU上復(fù)制，開(kāi)在其本地?cái)?shù)據(jù)集分區(qū)進(jìn)行訓(xùn)練，在反向傳播期間計(jì)算的梯度，被平均并用于更新模型副本，可以確保在不同GPU之間同步模型。

然而，簡(jiǎn)單的增加批次大小，通常會(huì)導(dǎo)致泛化性能下降并降低計(jì)算精度。為了解決這些問(wèn)題，研究出一種新的方法，可擴(kuò)展的大規(guī)模優(yōu)化器LARS和LAMB，適合大批量設(shè)置。

在ViT模型和ImageNet數(shù)據(jù)集上對(duì)可擴(kuò)展的大規(guī)模優(yōu)化器LARS和LAMB進(jìn)行理論分析。他們可最大程度使用GPU資源，將ViT-B/32的訓(xùn)練時(shí)間從一個(gè)GPU的73小時(shí)減少到200個(gè)GPU的0.68小時(shí)，并實(shí)現(xiàn)幾乎線性增加的加速度，并保證收斂。

編輯：黃飛