聊一聊“超大模型”

文 | 金雪锋
源 | 知乎

最近经常被问，你看“万亿的模型都出来了，你们训练的千亿模型是不是落伍了？”我想说：“虽然都叫超大模型，但是类型是不一样的，虽说每一类模型训出来都不容易，不过澄清一下概念还是必要的”。

大概盘算了一下，一年多来，业界发布了非常多的大模型，从去年OpenAI GPT-3 1750亿参数开始，到年初华为盘古大模型 1000亿，鹏程盘古-α 2000亿参数，Google switch transformer 1.6万亿；及近期的智源悟道2.0 1.75万亿参数 MoE，快手1.9万亿参数推荐精排模型，阿里达摩院M6 1万亿参数等；很多小伙伴看的是眼花缭乱，那究竟这些模型有没有差异？如果有差异，差异在哪里？

首先我想说这些模型都是基于Transformer结构，但是在模型扩展上有非常大的不同。

从计算角度看，我们可以把这些大模分成3类

稠密Transformer： OpenAI GPT-3，华为盘古/鹏程盘古α（MindSpore支撑）；模型规模的扩展是全结构的扩容；
稀疏MoE结构Transformer： Google Switch Transformer，智源悟道2.0，阿里M6。一般来说是选择一个基础的稠密模型，通过MoE稀疏结构扩展FFN部分，以此来达成模型的扩容；
高维稀疏特征推荐模型： 快手推荐精排，我理解主要是推荐的高维稀疏特征Embedding需要超大参数；

推荐类模型是一个比较独立的计算特征网络，这个我们最后分析。其中相似性非常大的是稠密Transformer和稀疏MoE结构Transformer，下面我们以Google Switch Transformer来对比两者的差异。

下面两张图是Google Switch Transformer论文中和T5的对比，Switch Transformer是基于T5，通过MoE稀疏结构扩展。我们用Switch-Base作为这次分析对比基准。

Switch-Base是基于T5-Base的MoE稀疏扩展，模型参数规模比T5-Base大33倍，从计算角度看，内存开销是T5的33倍，算力开销和T5-Base一致。同时，我们拿Switch-Base和T5-Large做一个对比。Switch-Base参数规模是T5-Large的10倍，也就是说内存开销是T5的10倍，算力开销是T5-Large的29%；

从下面这个表格的下游任务对比来看，在同样的算力开销下，Switch-Base的效果比T5-Base整体上要好，这个优势是通过33倍的内存开销换取的；但是同时，Switch-Base在参数量比T5-Large大了10倍的情况下，效果比T5-Large要差一些。

所以我们不能单纯从参数规模来衡量一个网络的效果，需要通过参数量和计算量来综合对比，需要我们探索一种新的指标，综合考虑内存和算力开销来评估一个模型。

另外，从Switch Transformer 1.6万亿模型来看，其计算量只有稠密T5 130亿参数的10%，参数量是其100倍；如果从每个参数消耗的算力来计算，1.6万亿稀疏模型只是稠密的千分之一，即1.6万亿参数的Switch Transformer的计算量相当于10亿参数的稠密的Transformer。

那么从训练角度来看，MoE大模型的计算量较少，重点是做好模型参数的切分，从switch transformer的实践看，主要使用数据并行+MoE并行的组合；而稠密的Transformer计算和通信量非常大，所以盘古-α需要在2K张卡上进行训练，同时也需要复杂的pipeline并行/算子级模型并行/数据并行等并行切分策略来确保2k集群的算力能被充分利用，个人认为训练挑战更大。

从推理的角度看，MoE的模型参数量非常大，我觉得可能需要通过蒸馏/量化等手段进行压缩才更适合使用，挑战很大，也是MoE模型推广面临的障碍。

快手的1.9万亿参数网络，是一种高维稀疏推荐网络，拿Google Wide&Deep来对比更为恰当。快手推荐网络的优化，应该是在后面的DNN层用了Transformer结构，而模型头部的Embedding部分还是保持和传统深度学习推荐网络类似（没有找到相关论文，不对请指正）。这类型网络，为了表达高维稀疏特征，会有一个超级大的Embedding，参数主要是集中在头部的特征Embedding部分。这种类型网络的训练方式和前面讲的完全不同，核心技术是Embedding的模型并行，以及CPU/NPU的协同计算和存储。华为诺亚实验室在今年SIGIR 2021上发表的“ScaleFreeCTR: MixCache-based Distributed Training System for CTR Models with Huge Embedding Table”是目前一种最好的训练方案之一，也将会在MindSpore上开源。这里就不再展开分析。

除了Transformer这种算法结构外，还是有CNN类的超大模型，也可以分成两类，这两类模型也是稠密的，参数量和计算量是成正比。

超大分类层：超大规模人脸识别、图像分类网络，其典型特征是CNN特征抽取之后的FC分类层超级大。例如千万ID的人脸识别，FC层的参数规模就达到了50亿。
超大Activation：遥感和超高分辨率图像处理，这类网络参数量不大，和传统CNN的参数量类似，在百M级别。但是这种模型的输入数据以及计算过程中的Activation非常大。以遥感为例，平均输入样本的分辨率就有[30000, 30000, 4]，一个样本就有3.6GB，大的图像有10GB以上，中间层Activation也是GB级别的大小。

所以，总的来说在NLP、多模态、推荐、图像处理领域都有大模型，目前业界比较火热讨论的主要是基于Transformer+MoE结构的NLP及多模态大模型，我们期望通过这篇文章，让小伙伴能了解这些模型在计算上的差异。

寻求报道、约稿、文案投放：
添加微信xixiaoyao-1，备注“商务合作”