【新智元导读】DeepMind 最近被 ICML 2024 接收的一篇论文，完完全全暴露了他们背靠谷歌的「豪横」。一篇文章预估了这项研究所需的算力和成本，大概是 Llama 3 预训练的 15%，耗费资金可达 12.9M 美元。发一篇顶会论文，需要多少实验预算？最近，DeepMind 发表了一项研究，对 LLM 扩大规模时各种算法和架构细节，比如参数和优化器的选择，进行了广泛的实证调查。这篇论文已被 ICML 2024 接收。
论文地址：https://arxiv.org/abs/2407.0587263 页的论文涵盖了数以万计的模型，备选方案包括 3 种优化器、4 种参数化方案、几种对齐假设、十多个学习率，以及最高达 26.8B 的 14 种参数规模。
需要进行实验的 4 种参数化方案仅仅听到这些数字，就不难知道，这项研究必定涉及海量的模型运行实验。而有一位忠实读者，为了测试自己对论文内容的理解，统计了其中进行的所有实验，并估算出了复现论文的成本。
将所需算力全部加在一起，林林总总，居然达到了惊人的 1290 万美元。考验基本功的时刻到了，假如你是研究团队的 leader，根据实验计划对所需算力和成本进行预估是一项必不可少的技能。那就让我们跟着这篇博客文章盘一遍，这一千多万美元，究竟烧在哪里。论文附录 C 提供了关于模型算法和架构的各种细节设置，比如使用 decoder-only 架构、层归一化、GeLU 激活函数、无 dropout、T5 分词器、批大小为 256、用 FSDP 并行等等。
实验模型的参数规模统计通过架构方面的信息，我们可以大致估算出训练中每个 token 所需的 FLOPS，记为 M。由于论文没有描述到任何 GQA / MQA 机制，所以就假设 Rkv=1，此外还有 lseq=512，Dhead=128，L=8（深度），V=32101（分词器词汇量）。模型总参数量可以表示为：
因此，就可以得到 M 的计算公式：
默认情况下，每次实验处理的 token 数（tokens per experiment, TPE）为 5k（训练步数）×256（批大小）×512（lseq），约为 6.5536e9。假设对齐实验中，直接使用了后面的学习率扫描得出的最优结果，并没有单独进行学习率扫描，因此这一步的成本计算比较简单：
如果 H100 每运行 1 小时的花费以 3 美元计算，对齐实验的成本大致为 888 美元。学习率论文的表 E1 记录了 6 种模型规模下，所有可能的优化器 × 参数化方案 × 模型大小 × 实验设置的组合，分别进行基础学习率扫描，以获得最佳评估损失。
总共包括如下几个实验变量：假设这里的实验都是单独进行，没有从其他地方复制结果，因此如果全部运行一遍，有成本上限预估：
这部分的成本就接近 40 万美元，虽然仍属于可接受范围内，但对于大多数学术预算来说，已经算是非常昂贵了。表 E1 给出了最佳评估损失，但没有描述 LR 的扫描策略，每张图上的点数也不尽相同。
由于没有得到论文作者的答复，我们也无法确定具体机制，因此假设每个最佳评估损失都经过了 15 次实验（目测发现，每条线的点数约为 10～15）。根据论文 4.2 节内容，学习率还涉及到两个超参数的选择：β 和 γ。
如果仅有 β 参数，则被称为「LR+default」设置：
这部分包括 3× 优化器，4× 参数化，加上全局和单层（GlobalLR、Perlayer-fullalign）分别进行实验，以及未知的 LR 扫描数量：
从公式就可以看出，成本和下文的 epsilon 实验类似，都是 200 万美元。相比 β 参数的实验，这部分有两个细节差异。首先，除了 GlobalLR、Perlayer-fullalign 两种设置外，还需要加上 Perlayer-noalign 设置。
其次，仅针对 d=1024=b，进行 3D 超参数搜索 (γ_1,γ_h,γ_L+1)，因此有额外的 800 次运行。
两者结合后的计算公式为：
这部分的预估成本与 Adam 的 epsilon 热力图实验接近，约为 320 万美元。论文 4.3 节所述的 Epsilon 参数实验是计算量的大头。
根据上面的推断，每次找到最佳评估损失时都尝试过 15 个不同的学习率（points per line），那么图 6 所示的 epsilon 参数变化图耗费的计算量为：
计算结果透露出一种简洁的昂贵，也就是 200 万美元的账单而已。除了图 6 左侧的折线图，还有附录 F 热力图的结果。
假设每个方块值都是经过 13 次学习率扫描后得到的结果，这部分计算量则为：
结果发现，仅仅要得到这 8 张热力图，成本就是 320 万美元。而且，由于我们将 LR 扫描数量建模为常数 13，这个数字可能低于实际成本。权重衰减实验（附录 G）比较好理解，对 4× 参数化方案以及所有参数进行一次基本的 LR 扫描：
比 epsilon 实验便宜不少，也就是湾区工程师一年的工资 ——31.7 万美元。这部分实验在附录 C3 中有详细描述，是为了检验 Adafactor 和 Adam+parameter scaling 是否有相似的宽度缩放机制。
共有 2×4 张图，其中每个优化器收集 11 个数据点，因此计算公式为：
账单上再加 18.8 万美元。论文尝试改变注意力头 H 的数量，希望找到计算最优化的设置，但其中涉及步长和数据集的改变，因此这部分不使用公式描述，计算代码如下：将以上各部分实验的算力和成本汇总在一起：结果发现，整篇论文的运算量为 5.42e24 FLOPS。这个数字仅仅是 Llama 3 训练计算量的 15%，如果在 10 万卡 H100 集群上运行，只需要 2 天时间即可完成所有实验。然而，如果不从 LLM 预训练的标准来衡量，仅把 DeepMind 的这篇论文看做一篇学术研究，这个计算量就显得相当奢侈了。如果实验室仅有 10 张 H100，就根本不可能进行这个量级的研究。有 100 张 H100 的大型实验室，或许能用几年时间跑完以上所有实验。参考资料：本文来自微信公众号：微信公众号（ID：null），作者：新智元
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，蓝鸢梦想所有文章均包含本声明。
