單張GPU搞定GPT-3超參數(shù)！先訓(xùn)練小模型，再“一鍵遷移” | 已開源
微軟出品
豐色 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
“一個GPU沒法訓(xùn)練GPT-3，更別提在上面調(diào)整超參數(shù)了。”
不不不，現(xiàn)在情況有變——
在單個GPU上完全可以調(diào)整大規(guī)模模型的超參數(shù)。
怎么說？
原來有人發(fā)現(xiàn)了一種新的調(diào)參方法，無論模型規(guī)模怎么變化，所得的最優(yōu)超參數(shù)都能保持性能穩(wěn)定。
由此一來，我們可以先訓(xùn)練一個小版本的模型，在上面間接調(diào)整好超參，然后以零樣本的方式直接將它們復(fù)制到全尺寸模型上，就能獲得相當不錯的性能。
這對手里GPU資源不夠的人來說簡直不要太好了吧。
目前，相關(guān)帖子也在Reddit上引起熱議，得到了300+的點贊支持。
在一個GPU上調(diào)參GPT-3大模型
方法名叫muP?(Maximal Update Parametrization)，作者分別來自微軟和OpenAI。
想法很簡單，利用的是他們在之前的工作中發(fā)現(xiàn)的一個叫做μP的特殊參數(shù)化思路：
窄神經(jīng)網(wǎng)絡(luò)和寬神經(jīng)網(wǎng)絡(luò)共享同一組最優(yōu)超參數(shù)，即使寬度無限大（width->∞）時也一樣。
具體原理可以參見論文《Feature Learning in Infinite-Width Neural Networks》。
可共享的超參數(shù)包括學(xué)習率learning rate、learning rate schedule、initialization、parameter multipliers……甚至可以單獨針對每個參數(shù)張量。
作者在寬度高達4096的Transformer以及ResNet上驗證了這一結(jié)論。
因此，資源匱乏的煉丹er就可以在單張GPU上對一個小版本的GPT-3模型進行超參數(shù)調(diào)整：
如果在這個小模型上得到的參數(shù)接近最優(yōu)，那么在大模型上也可以得到一樣的結(jié)果。
ps. 這種調(diào)參方式又被命名為“μ遷移（μTransfer）”。
具體效果如何？
作者訓(xùn)練了一個只有4000萬參數(shù)規(guī)模的小型GPT-3，它小到可以直接跑在一張GPU上。
然后把它的超參數(shù)“μ遷移”到一個有67億參數(shù)的大規(guī)模GPT-3上，結(jié)果發(fā)現(xiàn)它的性能和原始的GPT-3完全相當——盡管原GPT-3的參數(shù)規(guī)模還是它的兩倍！
而這一調(diào)整成本只占整個預(yù)訓(xùn)練成本的7%。
由于模型規(guī)模增大，直接調(diào)整小型模型的成本仍大致相同，如果用該方式來調(diào)參175億規(guī)模的GPT-3，其成本可能最多只有總預(yù)訓(xùn)練成本的0.3%。
好了，這時你可能會問：能不能只縮小模型的寬度呢？
作者表示，對于“non-width stuff”，沒有理論保證。
不過好消息是，他們在preLN Transformer的合理范圍內(nèi)對depth、batch size、sequence length和timestep的遷移效果進行了測試。
其中，他們將BERT-base和BERT-large在寬度和深度上縮小到同樣的規(guī)模， 然后同時進行超參數(shù)調(diào)整后發(fā)現(xiàn)：
相比已經(jīng)調(diào)優(yōu)的megatron BERT基線，兩者的性能都得到了改善，尤其是BERT-large提升更大。
由此也總結(jié)出一個道理：
遷移后的模型規(guī)模越大，收益越高。
所以作者還調(diào)侃道，雖然我們沒有測試175億規(guī)模的GPT-3，但保證結(jié)果能讓你“流口水”。
說了這么多，到底如何實現(xiàn)？
下表概括了如何通過fan-in或fan-out調(diào)整你的模型的initialization和learning rate。
其中粉色文本為μP，括號中的灰色文本為pytorch默認值。
當然，如果你不想自己手動操作，作者也開源了Pytorch實現(xiàn)，通過pip install mup就可以應(yīng)用到你的模型中。
關(guān)于作者
一作名叫Greg Yang，微軟高級研究員。
通訊作者為微軟研究院深度學(xué)習技術(shù)中心合伙人研究經(jīng)理、IEEE Fellow高劍峰。
還有兩位華人作者分別為來自微軟的Liu Xiaodong（北京郵電大學(xué)校友）和Chen Weizhu?（已在微軟工作16年）。
他們的這篇成果已被NeurIPS 2021接收。
GitHub鏈接：
https://github.com/microsoft/mup
論文地址：
https://arxiv.org/abs/2203.03466
官方博客鏈接：
https://www.microsoft.com/en-us/research/blog/%C2%B5transfer-a-technique-for-hyperparameter-tuning-of-enormous-neural-networks/
Reddit討論：
https://www.reddit.com/r/MachineLearning/comments/tb0jm6/r_you_cant_train_gpt3_on_a_single_gpu_but_you_can/
- 空間智能卡脖子難題被杭州攻克！難倒GPT-5后，六小龍企業(yè)出手了2025-08-28
- 陳丹琦有了個公司郵箱，北大翁荔同款2025-08-28
- 英偉達最新芯片B30A曝光2025-08-20
- AI應(yīng)用如何落地政企？首先不要卷通用大模型2025-08-12
相關(guān)閱讀
一句話讓AI訓(xùn)練AI！20分鐘微調(diào)羊駝大模型，從數(shù)據(jù)收集到訓(xùn)練全包了
這個模型訓(xùn)練師，好強
幫助企業(yè)打造大模型超級員工！星塵數(shù)據(jù)AI數(shù)據(jù)閉環(huán)產(chǎn)品，打通AI數(shù)據(jù)全生命周期管理
原本需要花費1天時間才能發(fā)現(xiàn)的難例，現(xiàn)在只需1-2小時即可
