不不不，现在情况有变——
在单个GPU上完全可以调整大规模模型的超参数。
怎么说？
原来有人发现了一种新的调参方法，无论模型规模怎么变化，所得的最优超参数都能保持性能稳定。
由此一来，我们可以先训练一个小版本的模型，在上面间接调整好超参，然后以零样本的方式直接将它们复制到全尺寸模型上，就能获得相当不错的性能。
这对手里GPU资源不够的人来说简直不要太好了吧。
目前，相关帖子也在Reddit上引起热议，得到了300+的点赞支持。
在一个GPU上调参GPT-3大模型
方法名叫muP (Maximal Update Parametrization)，作者分别来自微软和OpenAI。
想法很简单，利用的是他们在之前的工作中发现的一个叫做µP的特殊参数化思路：
窄神经网络和宽神经网络共享同一组最优超参数，即使宽度无限大（width->∞）时也一样。
具体原理可以参见论文《Feature Learning in Infinite-Width Neural Networks》。
可共享的超参数包括学习率learning rate、learning rate schedule、initialization、parameter multipliers……甚至可以单独针对每个参数张量。
作者在宽度高达4096的Transformer以及ResNet上验证了这一结论。
因此，资源匮乏的炼丹er就可以在单张GPU上对一个小版本的GPT-3模型进行超参数调整：
如果在这个小模型上得到的参数接近最优，那么在大模型上也可以得到一样的结果。
ps. 这种调参方式又被命名为“µ迁移（µTransfer）”。
具体效果如何？
作者训练了一个只有4000万参数规模的小型GPT-3，它小到可以直接跑在一张GPU上。
然后把它的超参数“µ迁移”到一个有67亿参数的大规模GPT-3上，结果发现它的性能和原始的GPT-3完全相当——尽管原GPT-3的参数规模还是它的两倍！
而这一调整成本只占整个预训练成本的7%。
由于模型规模增大，直接调整小型模型的成本仍大致相同，如果用该方式来调参175亿规模的GPT-3，其成本可能最多只有总预训练成本的0.3%。
好了，这时你可能会问：能不能只缩小模型的宽度呢？
作者表示，对于“non-width stuff”，没有理论保证。
不过好消息是，他们在preLN Transformer的合理范围内对depth、batch size、sequence length和timestep的迁移效果进行了测试。
其中，他们将BERT-base和BERT-large在宽度和深度上缩小到同样的规模， 然后同时进行超参数调整后发现：
相比已经调优的megatron BERT基线，两者的性能都得到了改善，尤其是BERT-large提升更大。
由此也总结出一个道理：
迁移后的模型规模越大，收益越高。
所以作者还调侃道，虽然我们没有测试175亿规模的GPT-3，但保证结果能让你“流口水”。
说了这么多，到底如何实现？
下表概括了如何通过fan-in或fan-out调整你的模型的initialization和learning rate。
其中粉色文本为µP，括号中的灰色文本为pytorch默认值。
当然，如果你不想自己手动操作，作者也开源了Pytorch实现，通过pip install mup就可以应用到你的模型中。
关于作者
一作名叫Greg Yang，微软高级研究员。
通讯作者为微软研究院深度学习技术中心合伙人研究经理、IEEE Fellow高剑峰。
还有两位华人作者分别为来自微软的Liu Xiaodong（北京邮电大学校友）和Chen Weizhu （已在微软工作16年）。
他们的这篇成果已被NeurIPS 2021接收。
GitHub链接：
https://github.com/microsoft/mup
