不得不说，为了让更多人能用上大模型，技术圈真是各出奇招！
模型不够开放？有人自己上手搞免费开源版。
比如最近风靡全网的DALL·E Mini，Meta开放的OPT-175B（Open Pretrained Transformer）。
都是通过复刻的方式，让原本不够open的大模型，变成人人可用。
还有人觉得模型太大，个人玩家很难承受起天价成本。
所以提出异构内存、并行计算等方法，让大模型训练加速又降本。
比如开源项目Colossal-AI，前不久刚实现了让一块英伟达3090就能单挑180亿参数大模型。
而在这两天，他们又来了一波上新：
无缝支持Hugging Face社区模型，只需添加几行代码，就能实现大模型的低成本训练和微调。
要知道，Hugging Face作为当下最流行的AI库之一，提供了超过5万个AI模型的实现，是许多AI玩家训练大模型的首选。
而Colossal-AI这波操作，是让公开模型的训练微调变得更加切实可行。
并且在训练效果上也有提升。
单张GPU上，相比于微软的DeepSpeed，使用Colossal-AI的自动优化策略，最快能实现40%的加速。
而PyTorch等传统深度学习框架，在单张GPU上已经无法运行如此大的模型。
对于使用8张GPU的并行训练，仅需在启动命令中添加-nprocs 8就能实现。
这波下来，可以说是把个人AI玩家需要考虑的成本、效率、实操问题，都拿捏住了~
无需修改代码逻辑
光说不练假把式。
下面就以OPT为例，详细展开看看Colossal-AI的新功能到底怎么用。
OPT，全称为Open Pretrained Transformer。
它由Meta AI发布，对标GPT-3，最大参数量可达1750亿。
最大特点就是，GPT-3没有公开模型权重，而OPT开源了所有代码及权重。
因此，每一位开发者都能在此基础上开发个性化的下游任务。
下面的举例，就是根据OPT提供的预训练权重，进行因果语言模型（Casual Language Modelling）的微调。
主要分为两个步骤：
- 添加配置文件
- 运行启动
第一步，是根据想进行的任务添加配置文件。
比如在一张GPU上，以异构训练为例，只需在配置文件里加上相关配置项，并不需要更改代码的训练逻辑。
比如，tensor_placement_policy决定了异构训练的策略，参数可以为CUDA、CPU及auto。
每个策略的优点不同、适应的情况也不一样。
CUDA：将全部模型参数都放置于GPU上，适合不offload时仍然能进行训练的传统场景。
CPU：将模型参数都放置在CPU内存中，仅在GPU显存中保留当前参与计算的权重，适合超大模型的训练。
auto：根据实时的内存信息，自动决定保留在GPU显存中的参数量，这样能最大化利用GPU显存，同时减少CPU-GPU之间的数据传输。
对于普通用户来说，使用auto策略是最便捷的。
这样可以由Colossal-AI自动化地实时动态选择最佳异构策略，最大化计算效率。
from colossalai.zero.shard_utils import TensorShardStrategy
zero = dict(model_config=dict(shard_strategy=TensorShardStrategy(),
tensor_placement_policy="auto"),
optimizer_config=dict(gpu_margin_mem_ratio=0.8))第二步，是在配置文件准备好后，插入几行代码来启动新功能。
首先，通过一行代码，使用配置文件来启动Colossal-AI。
Colossal-AI会自动初始化分布式环境，读取相关配置，然后将配置里的功能自动注入到模型及优化器等组件中。
colossalai.launch_from_torch(config='./configs/colossalai_zero.py')然后，还是像往常一样定义数据集、模型、优化器、损失函数等。
比如直接使用原生PyTorch代码，在定义模型时，只需将模型放置于ZeroInitContext下初始化即可。
在这里，使用的是Hugging Face提供的OPTForCausalLM模型以及预训练权重，在Wikitext数据集上进行微调。
with ZeroInitContext(target_device=torch.cuda.current_device(),
shard_strategy=shard_strategy,
shard_param=True):
model = OPTForCausalLM.from_pretrained(
'facebook/opt-1.3b'
config=config
)接下来，只需要调用colossalai.initialize，便可将配置文件里定义的异构内存功能统一注入到训练引擎中，即可启动相应功能。
engine, train_dataloader, eval_dataloader, lr_scheduler = colossalai.initialize(model=model,
optimizer=optimizer,
criterion=criterion,
train_dataloader=train_dataloader,
test_dataloader=eval_dataloader,
lr_scheduler=lr_scheduler)还是得靠GPU+CPU异构
而能够让用户实现如上“傻瓜式”操作的关键，还是AI系统本身要足够聪明。
发挥核心作用的是Colossal-AI系统的高效异构内存管理子系统Gemini。
它就像是系统内的一个总管，在收集好计算所需的信息后，动态分配CPU、GPU的内存使用。
具体工作原理，就是在前面几个step进行预热，收集PyTorch动态计算图中的内存消耗信息。
在预热结束后，计算一个算子前，利用收集的内存使用记录，Gemini将预留出这个算子在计算设备上所需的峰值内存，并同时从GPU显存移动一些模型张量到CPU内存。
Gemini内置的内存管理器给每个张量都标记一个状态信息，包括HOLD、COMPUTE、FREE等。
然后，根据动态查询到的内存使用情况，不断动态转换张量状态、调整张量位置。
带来的直接好处，就是能在硬件非常有限的情况下，最大化模型容量和平衡训练速度。
要知道，业界主流方法ZeRO （Zero Reduency Optimizer），尽管也利用CPU+GPU异构内存的方法，但是由于是静态划分，还是会引起系统崩溃、不必要通信量等问题。
而且，使用动态异构CPU+GPU内存的办法，还能用加内存条的办法来扩充内存。
怎么也比买高端显卡划算多了。
目前，使用Colossal-AI的方法，RTX 2060 6GB普通游戏本能训练15亿参数模型；RTX 3090 24GB主机直接单挑180亿参数大模型；Tesla V100 32GB连240亿参数都能拿下。
除了最大化利用内存外，Colossal-AI还使用分布式并行的方法，让训练速度不断提升。
它提出同时使用数据并行、流水并行、2.5维张量并行等复杂并行策略。
方法虽复杂，但上手却还是非常“傻瓜操作”，只需简单声明，就能自动实现。
无需像其他系统和框架侵入代码，手动处理复杂的底层逻辑。
parallel = dict(
pipeline=2,
tensor=dict(mode='2.5d', depth = 1, size=4)
)Colossal-AI还能做什么？
实际上，自开源以来，Colossal-AI已经多次在GitHub及Papers With Code热榜位列世界第一，在技术圈小有名气。
除了如上提到的用单张GPU训练大模型外，Colossal-AI在扩展至数十张甚至数百张GPU的大规模并行场景时，相比于英伟达Megatron-LM等现有系统，性能可以翻倍，使用资源可以降低至其十分之一之下。
换算一下，在预训练GPT-3等超大AI模型上，节省的费用可以达到数百万元。
据透露，Colossal-AI相关的解决方案已经被自动驾驶、云计算、零售、医药、芯片等行业的知名厂商用上了。
与此同时，他们也非常注重开源社区建设，提供中文教程、开放用户社群论坛，根据大家的需求反馈不断更新迭代。
比如我们发现，之前有粉丝留言询问，Colossal-AI能否直接加载Hugging Face上的一些模型？
好嘛，这次更新就来了。
所以，对于大模型训练，你觉得现在还有哪些难点亟需解决呢？
欢迎评论区留言讨论~
传送门
项目地址：https://github.com/hpcaitech/ColossalAI
