2023-01-03 12:05:37 来源：商业新知网
单个GPU，只花一天时间，能把BERT训练成什么样？
(资料图片仅供参考)
现在，终于有研究人员做这件事了，在有限的计算条件之下看看语言模型的真实性能如何。
要知道在以往，大多数专业人员的关注点都在极端计算的条件下的语言模型性能。
但这样的语言训练模型环境，对很多研究人员和从业人员是不可能存在的。
因此这个单天单个GPU的挑战，就有网友称是一个最希望看到的基准。
连ViT作者，谷歌大脑研究员Lucas Beyer都发文推荐，称这是一个令人耳目一新的转变。
具体的过程和结果如何，一起来看看～
这次研究的目标也很明确，就是反其道行之：缩小语言训练模型的算力， 在有限的计算量的情况下如何达到BERT的性能水平 。
既然要缩小计算量，那第一步肯定是对模型作出一些限定。
这也还是之前提到的，限定时间和GPU个数：单天单个GPU。
关于GPU，研究人员分别选取了3个进行测试，即rtx2080ti、rtxa4000和rtxa6000，每个单元有4个CPU核和32GB内存。
在限定计算量之后，就要 对模型的其他参数进行一些调整，以进一步对BERT的实际适用性进行评估 。
这些调整包括 初始数据设置、模型架构、训练以及数据集 的改进。
并且在调整的过程中，整体基调都是围绕“实际使用”进行的，避免跳转到专业的设置，为此，研究人员将所有内容都保持在PyTorch框架的实现级别上。
先来说说 初始数据设置 ，这部分可以简单概括为以下几点：
将标记化的数据打包成长度为128的随机序列，不相关的片段用
删除< cls > 标记，因为在训练前训练中加入它并没有对性能产生多大影响；
将序列长度为64到96微小批量累积到大批量再处理。
然后是对 架构 的修改，下图显示了不同模型在随着token数量的增加MLM任务损失的变化。
结果很显然，一个模型损失的衰减很大程度地取决于模型的大小，而不是模型的类型。
并且，因为每个token的性能与模型大小之间的关系紧密耦合，若想通过改变Transformer模型的大小和类型来获得巨大性能增益是不太可能的。
不过对于同大小的所有模型，每个梯度效率是几乎保持不变的，因此可以在保证模型大小不变的情况下，选择能够通过快速搜索加速计算的架构。
具体的优化和其他调整如下：
减少注意力头的数量来降低梯度成本：禁用所有QKV偏差；
禁用所有线性层偏差，通过加速梯度计算，不会对模型大小产生明显影响；
实现比例正弦位置嵌入，相较于学习或非比例正弦嵌入有增量收益；
LN的预标准化比后LN更有益；
去除非线性头部并无影响。
接下来便要对 训练 进行设置，具体也就不再赘述，直接来看相关调整：
优化器依旧是Adam；
设定Learning Rate计划和批量大小；
丢掉Dropout环节。 （因为Dropout会导致每秒更新的净减少）
而在 数据集 方面，研究团队采用了两种基于数据的途径来更好地缩小规模，分别是 以各种方式过滤、处理或排序现有的数据 和 交换数据源 ，具体可以看下表。
在调整完各种参数后，这个单卡一天的BERT性能到底如何？直接看看最终的数据！
在下游性能评估时是通过GLUE来进行的，下表能够看到在3个不同显卡上的得分，非常接近最初的BERT。
而当模型训练计算量为16倍时，即 （2天，在8个GPU） ，依旧是一样的数据和设置，最终得到的结果比最初的BERT提高了很多，达到了RoBERTa的性能水平。
MSN全称Microsoft Service Network，是微软公司(Microsoft)旗下的门户网站。主要作用是提供搜索、娱乐、健康、财务管理、汽车、时尚等服
第1步:单击开始按钮，在程序菜单的附件选项中单击超级终端，弹出界面。第2步:双击Hypertrm图标，弹出对话框。这个对话框是用来对立一个新的
我们首先看下腾达无线路由器的正反面同样，我们可以看到路由器的登陆地址(192 168 0 1)及无线名称(SSID后面就是它的无线名称)手机找到China
1、下载安装UltraISO软碟通，在弹出的对话框中选择下一步开始安装;2、选择对话框的运行UltraISO选项，然后点击完成按钮;3、开始注册，选择
回望2022年，由于股市下滑，许多科技公司放缓了长达十年的持续增长，科技界的亿万富翁们损失了数千亿美元。
岁月不居，时节如流，2022年是包含变数的一年，内外形势错综复杂，不确定性似乎笼罩着整个中国经济。
近日一家电信公司的董事长发了一封内部信，信中表示要给员工全员加薪1000元。
生成式AI，开始拍视频。
主动学习系统不依赖于一组固定的标记数据，而是可以寻找新的信息和示例，以帮助它更好地理解它试图解决的问题。
