英伟达nGPT重塑Transformer，AI训练速度暴增20倍！文本越长，加速越快

　　【新智元导读】LLM训练速度还可以再飙升20倍!英伟达团队祭出全新架构归一化Transformer(nGPT)，上下文越长，训练速度越快，还能维持原有精度。

　　AI的未来，或许就此改写......

　　最近，英伟达团队抛出的一枚重磅炸弹，提出了全新神经网络架构——归一化Transformer(nGPT)，基于超球面(hypersphere)进行表示学习。

　　相较于Transformer架构本身，nGPT直接将LLM训练速度提升至高20倍，而且还保持了原有精度。

　　也就意味着，原本需要一个月完成的训练，在未来可能只需1-2天的时间就能搞定。

　　无疑为通向AGI终极目标，注入了一针强心剂!

　　论文地址：https://arxiv.org/pdf/2410.01131

　　在nGPT中，所有的向量(嵌入、MLP、注意力矩阵、隐藏状态)，都被归一化为单位范数(unit norm)。

　　输入后的token在超球面表面上移动，每一层都通过「位移」来贡献最终的输出预测，其中位移量是由MLP和注意力模块进行定义的，其向量组件都位于同一个超球面上。

　　实验表明，nGPT达到相同精度所需的训练步骤减少了4-20倍，具体取决于序列长度：

　　- 1k上下文，训练速度提高4倍

　　- 4k上下文，训练速度提高10倍

　　- 8k上下文，训练速度提高20倍

　　可以看出，上下文越长，训练越快。

　　Reddit网友表示，「我很好奇它还能扩展到多大程度。如果它能在更长的上下文中大幅扩展，这意味着像o1这样的模型将会获得显著的训练速度优势」。

　　还有人表示，「下一代模型将会更高效、更智能」。

　　nGPT全新架构，超球面上归一化

　　毋庸置疑，Transformer架构是现代大模型的基础。

　　不过，当前基于Transformer搭建的大模型都是计算密集型的，需要耗费大量的资源和时间。

　　为了改进其训练稳定性、推理成本、上下文长度、鲁棒性等方面，AI科学家已进行了大量的修改尝试。

　　其中，最突出的发现是，归一化技术对于Transformer性能改善起着重要作用，比如LayerNorm和RMSNorm。

　　另一种模型归一化方法是，通过权重衰减(weight decay)控制权重范数。

　　不过，最新研究又对权重衰减的作用进行评估，并且转向更多地关注旋转，而非仅仅关注向量范数。

　　越来越多的证据表明，在超球面上进行表示学习与更稳定的训练、更大的嵌入空间可分离性以及在下游任务上的更好性能相关。

　　而且，还有新研究表明，Transformer隐式地执行梯度下降作为元优化器。

　　由此，英伟达团队提出了，在归一化Transformer新视角下，统一该领域的各种发现和观察。

　　这项研究的主要贡献在于：

　　- 在超球面上优化网络参数

　　建议将形成网络矩阵嵌入维度的所有向量归一化，使其位于单位范数超球面上。这种方法将矩阵-向量乘法转化为余弦相似度的计算，其范围限定在 [-1,1] 之间。而且归一化消除了对权重衰减的需求。

　　- 归一化Transformer作为超球面上的可变度量优化器

　　归一化Transformer本身在超球面上执行多步优化(每层两步)，其中注意力和MLP更新的每一步，都由特征学习率控制——这些是可学习的可变度量矩阵的对角线元素。

　　对于输入序列中的每个token

　　，归一化Transformer的优化路径从超球面上对应于其输入嵌入向量的点开始，移动到超球面上最能预测下一个

　　的嵌入向量的点。

　　- 更快的收敛

　　研究证明，归一化Transformer将达到相同精度所需的训练步骤减少了4-20倍。

　　Transformer演变：从GPT到nGPT

　　嵌入层归一化

　　标准的decoder-only Transformer的训练目标是根据输入序列的前序tokens来预测后面的token，在token预测时，模型会引入两个可学习的嵌入矩阵Einput和Eoutput，分别用来从输入词转为词嵌入，以及从词嵌入转为预测输出。

　　在模型训练期间，通常使用对应嵌入向量的点积来计算token相似度，但嵌入向量的范数(norms)不受限制的，可能会导致相似性计算存在偏差。

　　为了提高相似性估计的准确性，研究人员在新架构中提出，在训练算法的每一步之后，对Einput和Eoutput中的嵌入向量进行归一化。

　　智能体在预测文本中的下一个词时，会使用因果掩码(casual masking)来确保模型在预测token时不会「偷看」到之后的词，造成信息泄露，从而让模型能够同时预测多个词并计算预测误差，提高训练效率，同时保持了按顺序预测词的能力。

　　在输入词序列后，模型会在预测序列中的每个位置都生成一个输出向量，然后计算出一个logits向量zi来表示词汇表中每个词出现的可能性，可以辅助模型理解不同词在当前上下文中的重要性：

　　之后用softmax函数把zi转为概率值，并选取概率最高的词作为下一个词的预测。

　　由于nGPT的嵌入矩阵已经归一化了，所以zi的值范围为[−1,1]，也会限制softmax后得到的概率分布的置信度，也可以叫做温度。

　　为了在训练过程中调整置信度，nGPT又引入了一个可学习的缩放参数sz，通过逐元素地缩放logits，模型可以更灵活地预测的置信度，更好地学习到在不同情况下如何做出更准确的预测：

　　层/块归一

　　标准Transformer架构需要对隐藏层状态h进行L层变换，包括一个自注意力(ATTN)和多层感知机(MLP)。

　　其中RMSNorm也可以替换成其他归一化(normalization)函数。

　　隐藏层的参数更新，其实就是在一个超平面上(维度为隐藏层的向量长度)寻找两个点(原参数和新参数)的最短距离。

　　1985年，Shoemake提出了球面线性插值(SLERP，Spherical Linear Interpolation)，可以沿着球面上两点之间的最短路径找到中间点，研究人员发现该方法还可以通过更简单的线性插值(LERP，linear interpolation)来得到近似解，从而降低计算量：

　　按最短路径寻找来说，参数更新过程可以描述为：

　　其中a和b是球面上的两个点，对应到nGPT上，a也就是隐藏层状态，b是经过注意力机制或MLP块后的状态，梯度就是g=a-b，B为可变矩阵。

　　在拟牛顿方法中，B可以近似于逆黑塞矩阵，当 B是一个对角线元素非负的对角矩阵时，αB就变成了一个向量，其元素对应于B的对角线元素乘以学习率α，也可以称之为特征学习率(eigen learning rates)。

　　eigen源自德语词，意为「自己的」(own)，可以指代Transformer 的内部结构。

　　所以nGPT中的参数更新方程可以写为：

　　其中αA 和 αM是可学习的参数，分别用于注意力和多层感知机(MLP)模块的归一化输出 hA和 hM

　　与基础 Transformer 相比，在nGPT的最终层之后不需要再进行额外的归一化了。

　　自注意力块

　　注意力机制可以说是Transformer中最重要的模块，序列中的每个token都能够关注到其他所有token，从而让模型具有捕捉长距离依赖关系的能力。

　　模型会把处理后的信息分解成三个部分：查询(q，query)、键(k，key)和值(v，value)，可以辅助确定哪些信息是重要的，以及信息之间是如何相互关联的。

　　为了确保模型能够理解每个词在序列中的位置，模型中通常还会在query和key向量之间加入旋转位置嵌入(Rotary Position Embeddings，RoPE)。

　　然后通过计算query向量和key向量的点积、缩放、应用softmax得到注意力权重，对value向量进行加权求和，得到注意力得分。

　　在实践中，Transformer一般都会用到多个注意力头，其中每个头的注意力机制都是独立计算，最后再通过一个可学习的投影矩阵Wo合并所有头输出。

　　在计算注意力得分的过程中，权重矩阵没有受到太多限制，可能会导致最终得分过大或过小。

　　在nGPT中，研究人员对q向量和k向量进行归一化，还引入了一些可调整的参数(sqk)，以确保权重矩阵在处理位置信息时不会失真，更准确地捕捉到句子中词与词之间的关系，从而做出更好的预测和决策。

　　MLP块

　　在标准Transformer中，隐藏层收入通过RMSNorm进行归一化，然后经过两个线性投影生成中间向量(暂不考虑偏置项)：

　　然后使用SwiGLU 门控激活函数，以及一个线性变换得到最终门控激活。

　　在nGPT中，研究人员提出对线性投影的权重矩阵进行归一化，并引入可学习的缩放因子，能够更充分地利用处理信息时的非线性特性，在处理复杂信息时更加灵活。

　　多层感知机模块的输出不会因为缩放调整而发生变化。

　　Adam高效学习率

　　Adam优化算法通过动量和梯度幅度的估计来调整每次的学习步长，同时考虑了当前及过去的梯度信息。

　　在nGPT中，研究人员同样引入了一个可训练的缩放参数向量，对特定的参数进行更精细的控制，确保每个参数都能以最适合自己的速度进行学习，从而进一步提高学习效率。

　　在不影响全局学习率的情况下，对特定的参数进行调整，提供了更大的灵活性和控制力。

　　变化总结

　　和基础Transformer相比，nGPT主要做了七个改变：

　　1、移除所有归一化层，比如RMSNorm或LayerNorm;

　　2、在每个训练步骤之后，沿着嵌入维度对所有矩阵，包括输入输出嵌入矩阵，以及各种权重矩阵进行归一化处理;

　　3、修改了隐藏层参数更新方程;

　　4、调整注意力机制中的softmax缩放因子，对q和k进行重新缩放和归一化;

　　5、对MLP块的中间状态进行重新缩放;

　　6、对logits进行重新缩放;

　　7、移除权重衰减和学习率预热步骤。

　　上下文越长，训练速度越快

　　接下来，研究人员在OpenWebText数据集上训练了基础基础Transformer(GPT)和归一化Transformer(nGPT)，并在一系列标准下游任务上对其进行评估。

　　实验中，使用了0.5B和1B(包括嵌入)两种参数规模的模型。两种参数规模的模型0.5B和1B(包含嵌入)。

　　训练加速

　　图1显示了，在训练过程中，10亿参数且样本长度为4k token的GPT和nGPT模型的验证损失。

　　经过2万次迭代后，nGPT达到了与GPT在20万次迭代(约4000亿个token)后，才能达到的相同验证损失。

　　这表明，在迭代次数和使用token数量方面，nGPT实现了10倍的加速。

　　再来看图2，展示了nGPT和GPT在三个方面的性能差距是如何变化的：总token数量、上下文长度、参数规模。

　　在1k、4k和8k token上下文中，训练0.5B和1B的nGPT模型分别约快4倍、10倍和20倍。

　　图3在下游任务中显示了类似的性能，证实加速不仅反映在困惑度上，也反映在任务表现上。

　　研究人员观察到，对于较长的训练运行，nGPT显示出一些饱和现象，这暗示在当前可训练参数数量下，模型容量可能已接近极限。

　　神经网络参数检查

　　图4显示，虽然nGPT保持固定的嵌入范数(这是设计使然)，但GPT表现出明显的变化。

　　从嵌入的协方差矩阵计算得出的特征值分布(已经由其中位数归一化)显示，GPT的输入嵌入具有更高的条件数，尤其是在1B模型中。

　　嵌入之间的成对点积分布表明，即使在nGPT中，嵌入也并非均匀分布在超球面上(在那里点积会接近0)，而是形成簇——这可能反映了语言数据中的自然模式。

　　由于GPT的嵌入形成了一个超椭球体(hyper-ellipsoid)，如向量范数的分布所示，其点积往往具有更高的值。

　　GPT输入嵌入的病态性质(ill-conditioned nature)可能导致涉及这些嵌入的计算问题。

　　下图5展示了，注意力和MLP矩阵在不同层深度上的中位数条件数(跨多个头)——0.5B模型有24层，1B模型有36层。

　　与nGPT相比，GPT模型的注意力矩阵呈现显著更高的条件数。

　　对这些矩阵的进一步检查，GPT的注意力矩阵表现出退化为低秩矩阵的趋势，可能减少了这些块的学习容量。

　　下图6展示了，(左图)注意力模块和MLP模块的特征学习率，(中图)应用于MLP中间状态的缩放因子，(右图)应用于QK点积之前的缩放因子。