由于深度学习的「黑箱」本性，从业者自我调侃道：
如果说深度神经网络是现代版的「炼金术」，我们在古代就是「炼金术士」。
2018年5月3日， Science发表新闻，标题直指「炼金术」，强调加强AI的科学基础
但这次的谷歌的团队，却有不一样的看法：
在许多方面，深度学习仍然带有一定的「炼金术」色彩，但理解和优化模型性能并不一定如此——即使是在大规模环境下！
近日，谷歌DeepMind科学家Jacob Austint在X上， 发布了基于JAX和TPU的大模型Scaling教科书《How to Sacle Your Model》。
Jeff Dean转发原帖，并打起了广告：
谷歌最强的Gemini模型的训练，重度依赖JAX软件栈+TPU硬件平台。 如果你想了解更多详情，来看看这本超棒的书：「How to Sacle Your Model」。
进入教科书网站，可以看到大写的标题：「如何扩大模型规模（How to Sacle Your Model）」。
正如小标题所言，这本书关于在张量处理单元（TPU）上大语言模型的的系统观点。
这是一本关于LLM底层硬核技术的教科书，简介如下：
训练大语言模型（LLMs）常常让人感觉就像炼金术，但理解和优化模型的性能其实并不复杂。 本书的目标是揭开在TPU上扩展语言模型的科学谜团：TPU是如何工作的，它们如何相互通信，LLM在实际硬件上是如何运行的，以及在训练和推理过程中如何对模型进行并行化，以便在大规模运行时实现高效性。 如果你想知道「训练这个LLM需要多贵的成本」、「要自己部署这个模型需要多少内存」或者「什么是AllGather」这些问题的答案，希望本书能对你有所帮助。
教科书链接：
模型Scaling，无需恐惧
三四年前，大多数机器学习研究人员，可能并不需要了解模型扩展（model scaling）。
但如今，即便是「较小」的模型，也已经逼近硬件极限，因此研究要有真正的创新性，就必须考虑如何在大规模环境下提高效率。
作者详细解释了为什么要模型扩展及其目标：
如果某种方法能在基准测试中提升20%的性能，但同时使Roofline效率下降20%，那么这样的优化是没有意义的。 许多有前景的模型架构最终失败，并不是因为它们在理论上不可行，而是因为它们无法高效扩展，或者没有人投入足够的精力去优化它们的计算效率。 模型扩展的目标是在增加用于训练或推理的芯片数量时，实现吞吐量的线性增长，这被称为 「强扩展」（Strong Scaling）。 通常，增加芯片数量（即「并行计算」）可以减少计算时间，但同时也会带来额外的芯片间通信开销。如果通信时间超过了计算时间，就会遇到 「通信瓶颈」，导致无法实现理想的扩展性能。如果对硬件足够了解，能够预测这些瓶颈的出现位置，就可以通过调整模型设计或重新配置系统来规避它们。
看不懂这些，也没关系，毕竟这是谷歌最强模型Gemini同款的技术栈！
但作者诚意十足，表示：如果认真看完后，有晦涩的地方，请及时反馈，保证一定改。
作者保证：必有所得
从处理单个加速器到处理数万个加速器，相对简单的原则无处不在，了解这些原则可以让你做很多有用的事情：
此书的目标是解释TPU（以及 GPU）的工作原理，以及为了当前硬件上实现高效计算，Transformer架构如何不断演化。
希望这些内容既能帮助研究人员设计新的模型架构，也能为工程师提供指导，以优化当前一代的大语言模型（LLM）计算性能。
作者保证，读完此书一定有所收获：
在阅读完本书后，应该能自信地为特定硬件平台上的Transformer模型选择最佳并行方案，并大致估算训练和推理的耗时。 如果你仍然感到困惑，请告诉我们！我们希望知道如何让这些内容更加清晰易懂。基础知识
要阅读此书，作者提醒读者：
对LLM（大语言模型）和Transformer架构有基本的了解，但不一定熟悉它们在大规模计算中的运作方式。 应该了解LLM训练的基础知识，并且最好对JAX有一定的了解。
下面的背景资料，有助于了解所需的基础知识：
博客链接：
JAX讲义:
整体结构
在本书中，将解答以下问题：
这些内容能帮助读者，深入理解LLM在现代硬件上的运行机制，并学会如何优化训练和推理的效率。
《第1章》介绍屋顶线分析（Roofline Analysis），并探讨限制模型扩展的关键因素，包括通信、计算和内存。
《第2章》和《第3章》详细讲解TPU和现代GPU的工作原理，既包括作为独立芯片的运行机制，也涵盖了更关键的内容——它们如何通过芯片间互连（inter-chip links）形成一个计算集群，并受到带宽和延迟的限制。
五年前，机器学习领域的架构还十分多样化包——括卷积神经网络、长短时记忆网络、多层感知机和Transformer等。如今，Transformer架构一家独大。
Transformer结构的每一个细节，都非常值得深入理解，包括：矩阵的具体尺寸、归一化（Normalization）发生的位置、各部分包含多少参数和FLOPs（浮点运算次数）。
《第4章》将详细解析Transformer的数学计算，帮助你掌握如何计算训练和推理过程中的参数量和FLOPs。
这些计算将揭示：
通过这些分析，将能够更精确地优化Transformer训练和推理的效率，并更深入地理解其计算特性。
图示2：标准Transformer层，每个矩阵乘法（matmul）以圆圈中的点表示。所有参数（不包括归一化层）以紫色显示。
《第5章：训练》和《第7章：推理》是本书的核心内容，在这两章中将讨论一个根本问题：
给定一个大小和一定数量芯片的模型，如何将模型并行化，以保持在「强扩展」（strong scaling）范畴内？
这个看似简单的问题，其实有着令人意外的复杂答案。
从高层次来看，主要有四种并行化技术用于将模型分布到多个芯片上：数据并行（Data Parallelism）、张量并行（Tensor Parallelism）、流水线并行（Pipeline Parallelism）以及专家并行（Expert Parallelism）。
图3：纯数据并行（前向传播）示意图。激活（Activations）（左侧）完全按照批次维度（batch dimension） 进行分片。
这种方法通过将批次分配到多个 TPU 上，实现了数据并行，从而在没有额外通信负担的情况下，加速模型的计算。
此外，还有多种技术可以减少内存需求，比如重新计算（Rematerialization）、优化器/模型分片（Optimizer/Model Sharding，也称为ZeRO）、主机卸载（Host Offload）、梯度累积（Gradient Accumulation）。
在这两章中将讨论这些技术，并帮助理解如何在新的架构或设置中选择最适合的并行化策略。
《第6章》和《第8章》是实际操作教程，应用这些概念于LLaMA-3，更直观地理解如何在实际应用中进行操作。
最后，《第9章》和《第10章》将讨论如何在JAX中实现这些想法，并介绍当代码出现问题时如何进行性能分析和调试。
在《第11章》中，会给出进一步阅读清单和更深入的参考文献。
在整个过程中，会给出一些需要自己动手解决的问题。
作者温馨提示：
请不要觉得有压力要按顺序阅读所有章节，也不一定要全部阅读完。 我们鼓励你留下反馈意见。 目前这是草稿版本，未来会继续修订和改进。
当前的目录，翻译如下：
参考资料：
还没有评论，来说两句吧...