快速导航×

分类
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞2024-11-21 17:32:02
租用 H100 的钱只需 233 美元。

还记得 Andrej Karpathy 纯 C 语言复现 GPT-2 大模型的项目吗？

今年 4 月，AI 领域大牛 Karpathy 一个仅用 1000 行代码即可在 CPU/fp32 上实现 GPT-2 训练的项目「llm.c」曾经引发机器学习社区的热烈讨论。

llm.c 旨在大幅简化大模型的训练，ta 使用纯 C 语言 / CUDA，不需要 245MB 的 PyTorch 或 107MB 的 cPython。不过即使是这样的优化，复现 GPT-2 级别的模型也需要在 8 块 H100 上花费 45 分钟进行训练。

没想到几个月过去，业界水平居然有了指数级的提升，让 Karpathy 本人都感到惊叹：

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
在 GitHub 上出现了一个新项目「Modded-NanoGPT」，对技术进行了大幅度的迭代，现在实现相同的结果只需要 5 分钟。该研究的作者 Keller Jordan 曾在 Hive AI 工作，一直以来的研究方向都着重于模型训练的优化。他在本周三表示，利用具有大序列长度的 FlexAttention，他已把速度的记录从 7.2 分钟提升到了 5 分钟。
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
现在有了 FlexAttention 和较大的 seqlen，文档的拆分更少了，因此语言建模在训练和验证时都变得更容易。该记录在 HellaSwag 上的准确率略有降低，约为 29%，而之前的记录和 Andrej Karpathy 的原始训练准确率约为 30%。

让我们看看他是怎么做的：
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
项目链接：https://github.com/KellerJordan/modded-nanogpt/tree/master

Modded-NanoGPT

该项目名为「Modded-NanoGPT」，它是 llm.c 存储库的 PyTorch GPT-2 训练器的改进变体：

  • 10B tokens-->1B tokens
  • 8xH100 上花 45 分钟训练 -->8xH100 上花 5 分钟训练

Modded-NanoGPT 采用如下技术：

  • 先进的架构：旋转嵌入、QK-Norm 和 ReLU^2；
  • 新优化器：Muon；
  • 嵌入中的 Untied Head；
  • 投影和分类层初始化为零（muP-like）；
  • 架构 shortcut：值残差和嵌入 shortcut（部分遵循论文《Value Residual Learning For Alleviating Attention Concentration In Transformers》）；
  • 动量（Momentum）warmup；
  • Tanh soft logit capping（遵循 Gemma 2）；
  • FlexAttention。

要进行训练，请运行以下三个命令：
<section><code>pip install -r requirements.txt</code></section><section><code>pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cu124 &mdash;upgrade # install torch 2.6.0</code></section><section><code>python data/cached_fineweb10B.py 10 # downloads only the first 1.0B training tokens to s*e time</code></section><section><code>./run.sh</code></section>
在网络连接良好的 8xH100 上，训练应在 20 分钟内完成。

结果将是一个具有 124M 活跃参数的 transformer，在 10 亿 Fineweb tokens 上训练了 1875 steps，实现了约 3.278 的验证损失。相比之下，默认的 llm.c PyTorch 训练器在 100 亿 tokens 上训练了 19560 steps 后，验证损失 >3.28。

值得一提的是，要在更少的 GPU 上运行 Modded-NanoGPT，只需修改 run.sh 以获得不同的 --nproc_per_node。如果内存不足，只需在 train_gpt2.py 中将 device_batch_size 缩小到 16 或 32。

这里有一个适用于全新 8xH100 实例的启动脚本：
<section><code>sudo apt-get update</code></section><section><code>sudo apt-get install vim tmux python3-pip python-is-python3 -y</code></section><section><code>git clone <a href="https://www.php.cn/link/e8cb5f581442030021d62fd780fa674d" rel="nofollow" target="_blank" >https://www.php.cn/link/e8cb5f581442030021d62fd780fa674d</a></code></section><section><code>cd modded-nanogpt</code></section><section><code>tmux</code><code></code><code></code><code>pip install numpy==1.23.5 huggingface-hub tqdm</code></section><section><code>pip install --upgrade torch &</code></section><section><code>python data/cached_fineweb10B.py 18</code></section>
如果 CUDA 或 NCCL 版本与你当前的系统设置不兼容，Docker 可以成为一种有用的替代方案。这种方法标准化了 CUDA、NCCL、CUDNN 和 Python 的版本，减少了依赖性问题并简化了设置。注意：系统上必须已安装 NVIDIA 驱动程序。
<section><code>sudo docker build -t modded-nanogpt .</code></section><section><code>sudo docker run -it --rm --gpus all -v $(pwd):/modded-nanogpt modded-nanogpt python data/cached_fineweb10B.py 18</code></section><section><code>sudo docker run -it --rm --gpus all -v $(pwd):/modded-nanogpt modded-nanogpt sh run.sh</code></section>
有一个问题在于，NanoGPT 训练很快是很好，但它可能无法扩展，只是过拟合了 val 损失？Keller Jordan 表示，这很难反驳，因为「按规模」是一个无限类别（如果这些方法对 >100T 的模型就不奏效了怎么办？），因此无法完全证明。此外，作者也同意快速运行中使用的一些方法不太可能扩展。但如果读者关心 1.5B 模型，他们可能会被这个结果说服：

直接将快速运行（10/18/24 版本）扩展到 1.5B 参数可以得到一个具有 GPT-2（1.5B）级 HellaSwag 性能的模型，它要比 Karpathy 的基线便宜 2.5 倍（233 美元对比 576 美元）：
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
Muon optimizer

除了在前人的肩膀上探索，新项目也使用了 Keller Jordan 自研的优化方式。比如这个 Muon 优化器，据他所说是目前已知最快的优化器，适用于包括 CIFAR-10 和 GPT-2 规模语言建模在内的各种训练场景。

Muon 的定义如下：
神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞
其中 NewtonSchulz5 是 Newton-Schulz 之后的迭代，它近似地用 U @ V.T 替换 G，其中 U, S, V = G.svd ()。
<section><code>@torch.compile</code></section><section><code>def zeroth_power_via_newtonschulz5 (G, steps=5, eps=1e-7):</code></section><section><code>assert len (G.shape) == 2</code></section><section><code>a, b, c = (3.4445, -4.7750,2.0315)</code></section><section><code>X = G.bfloat16 () / (G.norm () + eps)</code></section><section><code>if G.size (0) > G.size (1):</code></section><section><code>X = X.T</code></section><section><code> </code><code>for _ in range (steps):</code></section><section><code>A = X @ X.T</code></section><section><code>B = b * A + c * A @ A</code></section><section><code>X = a * X + B @ X</code></section><section><code>if G.size (0) > G.size (1):</code></section><section><code>X = X.T</code></section><section><code> </code><code>    return X.to (G.dtype)</code></section>
对于这种训练场景，Muon 具有以下有利特性：

  • 内存使用量比 Adam 低
  • 采样效率提高约 1.5 倍
  • 挂钟开销小于 2%

总结

作者表示，生成此优化器的许多选择都是通过追求 CIFAR-10 快速运行而通过实验获得的。其中值得一提的经验包括：

  • 在更新中使用 Nesterov 动量，在动量之后应用正交化。
  • 使用特定的五次 Newton-Schulz 迭代作为正交化方法。
  • 使用五次多项式的非收敛系数以最大化零处的斜率，从而最小化必要的 Newton-Schulz 迭代次数。事实证明，方差实际上并不那么重要，因此我们最终得到一个五次多项式，它在重复应用后（快速）收敛到 0.68、1.13 的范围，而不是到 1。
  • 在 bfloat16 中运行 Newton-Schulz 迭代（而 Shampoo 实现通常依赖于在 fp32 或 fp64 中运行的逆 pth 根）。

使用 Newton-Schulz 迭代进行正交化的方法可以追溯到 Bernstein & Newhouse (2025)，他们建议将其作为计算 Shampoo 预处理器的方法，并从理论上探索了没有预处理器累积的 Shampoo。Keller Jordan 特别感谢了论文作者之一 Jeremy Bernstein 的协助。

如果我们在这里使用 SVD 而不是 Newton-Schulz 迭代，那么这个优化器就会因为太慢而无法使用。Bernstein & Newhouse 还指出，没有预处理器累积的 Shampoo 相当于谱范数中的最陡下降，因此 Shampoo 可以被认为是一种平滑谱最陡下降的方法。所提出的优化器可以被认为是平滑谱最陡下降的第二种方法，与 Shampoo 相比，它具有不同的内存和运行时权衡。

以上就是神级项目训练GPT-2仅需5分钟，Andrej Karpathy都点赞的详细内容，更多请关注其它相关文章！


# 华纳  # 福州搜索优化讯息网站  # 网站优化友好链接优化  # 高邮英文网站推广  # 内江seo  # 京东商城营销推广力度  # 南宁seo前景如何  # 什么推广网站好点呢  # 如何优化网站应承易速达  # 运城seo优化作用  # 黄冈免费网站推广app  # 句话  # 五大  # 要在  # 产业  # 南极  # 只需  # 神技  # 训练器  # 迭代  # 仅需  # type  # follow  # ai  # 处理器  # docker  # git  # python 


相关栏目： 【 企业资讯168 】 【 行业动态50218 】 【 媒体报道120512 】


相关推荐： 怎么在typescript写原型链  如何退出数据库命令行  苹果16系统有哪些系列  手机如何ip绑定域名解析  手机如何运行ping命令  固态硬盘颗粒如何修理  春运什么时候开始抢票  NoSQL数据库有哪些特点  冰柜power是什么意思这个黄灯怎么不亮  如何用dos命令分区  锤子手机怎么不出5g  哪些明星在用苹果16  充电器上的power是什么意思  为什么选择typescript  iphone拍电子屏有横条如何解决  苹果怎么没出5g手机  春运辅助抢票怎么抢  cos150度等于多少  夸克的答案为什么不对  三星固态硬盘如何保修  燃气热水器上的power是什么意思  夸克转存中是什么意思  夸克网盘是什么都有吗  win7怎么关闭360壁纸屏保  一分钟等于多少秒  nosql数据库的应用场景有哪些  datediff函数怎么用视频  光刻机分类有哪些品牌的  电脑type-c接口是什么意思  电焊机power灯亮是什么意思  如何看固态硬盘型号  硬盘和固态硬盘如何区分  typescript和node学哪个  360n6锁屏壁纸怎么设置  unix时间戳是什么意思  vue怎么连接typescript  春运抢票最快几天能成功  折叠屏有哪些手机  内网和外网区别 内网和外网有什么区别  debug中如何用n命令命名程序文件名  折叠屏手机选择哪个好  j*a数组怎么取元素  丰田type-c接口是什么  复制 命令如何撤销  折叠屏手机为什么这么小  如何测试固态硬盘速度  early什么意思  typescript怎么写call方法  交管12123协议头不完整怎么弄  三星 nfc什么功能是什么意思