摘要：近日，英偉達(dá)發(fā)表了一篇大規(guī)模語言建模的論文，他們使用塊在小時(shí)內(nèi)使得可以收斂，值得注意的是，他們使用的數(shù)據(jù)集包含的文本，這在以前通常需要花費(fèi)數(shù)周的時(shí)間進(jìn)行訓(xùn)練。表示訓(xùn)練出現(xiàn)發(fā)散。

近日，英偉達(dá)發(fā)表了一篇大規(guī)模語言建模的論文，他們使用 128 塊 GPU 在 4 小時(shí)內(nèi)使得 mLSTM 可以收斂，值得注意的是，他們使用的 Amazon Reviews 數(shù)據(jù)集包含 40GB 的文本，這在以前通常需要花費(fèi)數(shù)周的時(shí)間進(jìn)行訓(xùn)練。這樣的大規(guī)模語言模型能作為一種預(yù)訓(xùn)練模型遷移大量的語言知識(shí)，也就是說如果將其應(yīng)用到機(jī)器翻譯、機(jī)器閱讀理解和情感分析等 NLP 任務(wù)，數(shù)據(jù)需求量和計(jì)算量都能得到大幅度的降低。

近年來，深度學(xué)習(xí)已經(jīng)成功應(yīng)用到多種問題中。遷移學(xué)習(xí)在計(jì)算機(jī)視覺問題上的成功運(yùn)用使得許多應(yīng)用成為可能：VGG[6] 和 ResNets [7] 等大型 CNN 在 ImageNet 等大型圖像數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練 [8,9] 然后在計(jì)算機(jī)視覺任務(wù)中作為骨干網(wǎng)絡(luò)架構(gòu)。這些模型可以為新任務(wù)提取有用的特征，而無需在執(zhí)行每個(gè)任務(wù)時(shí)都從頭開始訓(xùn)練 [2], [10]–[12]。

最近的研究已經(jīng)從無監(jiān)督語言建模中得出了很有潛力的結(jié)果，隨后人們將遷移學(xué)習(xí)應(yīng)用到自然語言任務(wù) [3], [13]。然而，與卷積圖像模型不同，神經(jīng)語言模型還沒有從大規(guī)模和遷移學(xué)習(xí)中受益。神經(jīng)語言模型往往通過在大型語料庫上使用詞嵌入預(yù)訓(xùn)練來實(shí)現(xiàn)大規(guī)模遷移學(xué)習(xí) [14]– [16]。僅遷移詞嵌入會(huì)限制遷移的范圍，因?yàn)樵~嵌入不會(huì)捕獲文本中的序列信息。英偉達(dá)的研究者想要遷移的是具備處理文本序列能力的整個(gè) NLP 模型。

然而，由于在大型數(shù)據(jù)集上訓(xùn)練大型語言模型非常耗時(shí)，因此上述情況下的遷移學(xué)習(xí)非常困難。最近發(fā)表的幾篇論文試圖發(fā)揮分布式深度學(xué)習(xí)及可用高性能計(jì)算（HPC）資源的內(nèi)存和計(jì)算能力的優(yōu)勢(shì)，通過利用分布式數(shù)據(jù)并行并在訓(xùn)練期間增加有效批尺寸來解決訓(xùn)練耗時(shí)的問題 [1]，[17]– [20]。這一研究往往聚焦于計(jì)算機(jī)視覺，很少涉及自然語言任務(wù)，更不用說基于 RNN 的語言模型了。由于基于 RNN 的語言模型具有序列性，這些模型在數(shù)值上很難訓(xùn)練，且并行性差。有證據(jù)表明，用于語言建模、語音識(shí)別和神經(jīng)機(jī)器翻譯的 RNN 在大型數(shù)據(jù)集上訓(xùn)練時(shí)，準(zhǔn)確率還有提升的空間 [21]。相應(yīng)的，高效訓(xùn)練大型 RNN 模型的技術(shù)將在許多神經(jīng)語言任務(wù)中帶來準(zhǔn)確率的提升。

研究人員專注于在亞馬遜評(píng)論數(shù)據(jù)集上訓(xùn)練一個(gè)單層 4096 神經(jīng)元乘法 LSTM（multiplicative LSTM，mLSTM）字符級(jí)語言模型，這個(gè)數(shù)據(jù)集是目前開源的較大自然語言處理數(shù)據(jù)集之一，他們將該模型遷移到 Binary Stanford Sentiment Treebank (SST) 和 IMDB 電影評(píng)論數(shù)據(jù)集的情感分類的下游任務(wù)中。然后用混合精度 FP16/FP32 算術(shù)運(yùn)算來訓(xùn)練循環(huán)模型，它在單個(gè) V100 上的訓(xùn)練速度比 FP32 快了 4.2 倍。

接著研究人員通過 128GPU 的分布式數(shù)據(jù)并行，使用 32k 的批大小訓(xùn)練了混合精度模型。這比起使用單個(gè) GPU，訓(xùn)練的數(shù)據(jù)量增加了 109 倍。然而，由于批大小變大，需要額外的 epoch 來將模型訓(xùn)練至相同準(zhǔn)確率，最終總訓(xùn)練時(shí)長(zhǎng)為 4 小時(shí)。

此外，他們還訓(xùn)練了一個(gè)有 8192 個(gè)神經(jīng)元的 mLSTM，它在亞馬遜評(píng)論語言模型中的表現(xiàn)超越了當(dāng)前最優(yōu)模型，取得了每字符位數(shù)（BPC）為 1.038，SST 分類準(zhǔn)確率為 93.8% 的性能。

研究人員分析了分布式數(shù)據(jù)并行是如何隨著模型增大而擴(kuò)展的。在使用分布式數(shù)據(jù)并行訓(xùn)練 RNN 時(shí)，他們觀察到一些訓(xùn)練時(shí)批量過大會(huì)出現(xiàn)的常見問題。他們研究數(shù)據(jù)集大小、批大小和學(xué)習(xí)率方案之間的關(guān)系，以探索如何有效地利用大批量來訓(xùn)練更為常見的大型自然語言處理（NLP）數(shù)據(jù)集。

在這篇論文中，作者們表示這項(xiàng)工作為商業(yè)應(yīng)用以及深度學(xué)習(xí)研究提供了大規(guī)模無監(jiān)督 NLP 訓(xùn)練的基礎(chǔ)。作者在 GitHub 項(xiàng)目中展示了實(shí)現(xiàn)無監(jiān)督情感分析的實(shí)驗(yàn)，其中大規(guī)模語言模型可以作為情感分析的預(yù)訓(xùn)練模型。

項(xiàng)目地址：https://github.com/NVIDIA/sentiment-discovery

論文：Large Scale Language Modeling: Converging on 40GB of Text in Four Hours?

論文地址：https://arxiv.org/pdf/1808.01371v1.pdf

摘要：近期有許多研究關(guān)注如何在大型數(shù)據(jù)集上快速訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，然后將這些模型學(xué)習(xí)到的知識(shí)遷移到多種任務(wù)上。跟隨 [Radford 2017] 研究的方向，在這項(xiàng)研究中，我們展示了循環(huán)神經(jīng)網(wǎng)絡(luò)在自然語言任務(wù)上相似的可擴(kuò)展性和遷移能力。通過使用混合精度算術(shù)運(yùn)算，我們?cè)?128 塊英偉達(dá) Tesla V100 GPU 使用 32k 的批大小進(jìn)行分布式訓(xùn)練，因此可以在 40GB 的亞馬遜評(píng)論（Amazon Reviews）數(shù)據(jù)集上針對(duì)無監(jiān)督文本重建任務(wù)訓(xùn)練一個(gè)字符級(jí) 4096 維乘法 LSTM（multiplicative LSTM, mLSTM），并在 4 個(gè)小時(shí)完成 3 個(gè) epoch 的訓(xùn)練。這個(gè)運(yùn)行時(shí)相比于之前在相同數(shù)據(jù)集、相同大小和配置上花費(fèi)一個(gè)月訓(xùn)練一個(gè) epoch 的工作很有優(yōu)勢(shì)。大批量 RNN 模型的收斂一般非常有挑戰(zhàn)性。近期的研究提出將學(xué)習(xí)率作為批大小的函數(shù)進(jìn)行縮放，但我們發(fā)現(xiàn)在這個(gè)問題中僅將學(xué)習(xí)率作為批大小的函數(shù)縮放會(huì)導(dǎo)致更差的收斂行為或立刻發(fā)散。我們提供了一個(gè)學(xué)習(xí)率方案，允許我們的模型能在 32k 的批大小下收斂。由于我們的模型可以在數(shù)小時(shí)內(nèi)在亞馬遜數(shù)據(jù)集上收斂，并且盡管我們的計(jì)算需求是 128 塊 Tesla V100 GPU，這個(gè)硬件規(guī)模很大，但在商業(yè)上是可行的，這項(xiàng)工作打開了在大多數(shù)商業(yè)應(yīng)用以及深度學(xué)習(xí)研究中實(shí)現(xiàn)大規(guī)模無監(jiān)督 NLP 訓(xùn)練的大門。一個(gè)模型可以一夜之間就在大多數(shù)公開或私人文本數(shù)據(jù)集訓(xùn)練好。

3. 大批量訓(xùn)練

鑒于亞馬遜語料庫的規(guī)模，預(yù)訓(xùn)練大型當(dāng)前最優(yōu)神經(jīng)語言模型是一個(gè)非常耗時(shí)的過程。在單個(gè) GPU 上運(yùn)行這么大的工作負(fù)載不切實(shí)際，因?yàn)楫?dāng)前最優(yōu)模型一般會(huì)比較大，且每個(gè) GPU 能夠承擔(dān)的訓(xùn)練批量大小有限。為了保證有效的訓(xùn)練和遷移大型語言模型，我們使用多 GPU 并行化訓(xùn)練。我們專注于多 GPU 數(shù)據(jù)并行化，這意味著我們?cè)谟?xùn)練過程中將批次分割并分配給多個(gè) GPU。我們沒有使用模型并行化（這種方法把神經(jīng)網(wǎng)絡(luò)分割成多個(gè)處理器），因?yàn)樵摲椒`活性較差，且對(duì)軟件限制較多，不過它仍然是進(jìn)一步并行化的有趣選擇。

我們使用同步數(shù)據(jù)并行化，其中大批量數(shù)據(jù)被均勻分布給所有參與其中的工作進(jìn)程，工作進(jìn)程處理前向和反向傳播、相互通信產(chǎn)生的梯度，以及在獲取新的數(shù)據(jù)批量之前更新模型。鑒于模型大小和通信延遲，數(shù)據(jù)并行化通過可用 GPU 的數(shù)量與批量大小的線性擴(kuò)展來實(shí)現(xiàn)近似線性加速。

為保證任意語言模型的大批量預(yù)訓(xùn)練，明確分析使用基于 RNN 的語言模型進(jìn)行大批量預(yù)訓(xùn)練的效果非常重要。循環(huán)神經(jīng)網(wǎng)絡(luò)的連續(xù)性使得訓(xùn)練過程很難優(yōu)化，因?yàn)?RNN 計(jì)算過程中存在鞍點(diǎn)、局部極小值和數(shù)值不穩(wěn)定性 [35]–[37]。這些復(fù)雜性使得使用 RNN 進(jìn)行大批量訓(xùn)練的分析非常有必要。

為了保證 RNN 語言模型的大批量訓(xùn)練，我們探索了線性縮放規(guī)則和 Hoffer 等人 [40] 提出的平方根縮放規(guī)則 ?的影響。

4. 混合精度訓(xùn)練

FP16 不僅能減少通信成本，還對(duì)直接加速處理器上的訓(xùn)練起到關(guān)鍵作用，如支持較高吞吐量混合精度運(yùn)算的 V100。V100 的單精度浮點(diǎn)運(yùn)算性能可達(dá) 15.6 TFlops，而混合精度運(yùn)算（FP16 存儲(chǔ)和相乘，F(xiàn)P32 累加）的浮點(diǎn)運(yùn)算性能達(dá)到 125 TFlops。

5. 實(shí)驗(yàn)

圖 2：a 為混合精度（MP）和單精度（SP）的訓(xùn)練曲線，b 為單精度和混合精度的測(cè)試集評(píng)估對(duì)比，其中評(píng)估指標(biāo)為亞馬遜 BPC 和 Radford 等人實(shí)現(xiàn)的二元情感分類準(zhǔn)確率基線集。

圖 3： a) 亞馬遜評(píng)論數(shù)據(jù)集一次 epoch 的訓(xùn)練時(shí)間與 GPU 數(shù)量具有線性關(guān)系。b) 有（無）無限帶寬的分布式數(shù)據(jù)并行訓(xùn)練的平均每個(gè)迭代次數(shù)和相對(duì)加速度。

圖 4：在特定維度和批大小的亞馬遜評(píng)論數(shù)據(jù)集上，訓(xùn)練 mLSTM 模型完成一個(gè) epoch 的訓(xùn)練過程。虛線表示經(jīng)過一個(gè) epoch 的訓(xùn)練后的評(píng)估 BPC，以及由 Gray 等人 [34] 得到的當(dāng)前較佳評(píng)估結(jié)果（SoTA）。

圖 5：在多種初始學(xué)習(xí)率下使用 1 epoch 內(nèi)衰減到零的學(xué)習(xí)率方案的評(píng)估結(jié)果。某些初始學(xué)習(xí)率按照基于 128 批大小的 5e-4 衰減率的線性或平方根縮放規(guī)則進(jìn)行縮放。Div 表示訓(xùn)練出現(xiàn)發(fā)散。

聲明：文章收集于網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系小編及時(shí)處理，謝謝！

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754