700亿参数Llama 2训练加速195%！训练/微调/推理全流程方案开源，0代码一站解决

声明：本文来自于微信公众号新智元（ID：AI_era），作者：新智元，授权转载发布。

近日，全球规模最大的大模型开发工具与社区Colossal-AI，发布了全套Llama2训练、微调、推理方案，可以为700亿参数模型的训练加速195%。

ChatGPT引发的大模型热潮愈演愈烈，全球科技巨头和明星初创争相入局，打造以AI大模型为核心的竞争力和多样化商业使用需求。

其中LLaMA系列模型，因良好的基础能力和开放生态，已积累了海量的用户和实际应用案例，成为无数开源模型后来者的模仿和竞争的标杆对象。

但如何降低类Llama2大模型预训练成本，如何基于Llama2通过继续预训练和微调，低成本构建AI大模型实际应用，仍是AIGC相关企业面临的关键瓶颈。

作为全球规模最大、最活跃的大模型开发工具与社区，Colossal-AI再次迭代，提供开箱即用的8到512卡Llama2训练、微调、推理方案，对700亿参数训练加速195%，并提供一站式云平台解决方案，极大降低大模型开发和落地应用成本。

开源地址:https://github.com/hpcaitech/ColossalAI

Llama2训练加速195%

Meta开源的LLaMA系列大模型进一步激发了打造类ChatGPT的热情，并由此衍生出了诸多项目和应用。

最新的7B~70B Llama2大模型，则进一步提高了语言模型的基础能力。

但由于Llama2的预训练预料大部分来自英文通用知识，而仅用微调能够提升和注入的领域知识和多语言能力也相对有限。

此外，高质量的专业知识和数据集通常被视为各个行业和公司的核心资产，仅能以私有化形式保存。

因此，以低成本预训练/继续预训练/微调Llama2系列大模型，结合高质量私有化业务数据积累，帮助业务降本增效是众多行业与企业的迫切需求与瓶颈。

但Llama2大模型仅发布了原始模型权重与推理脚本，不支持训练/微调，也未提供数据集。

针对上述空白与需求，Colossal-AI开源了针对Llama2的全流程方案，并具备高可扩展性，支持从70亿到700亿参数的模型，从8卡到512卡都可保持良好的性能。

在使用8卡训练/微调Llama27B时，Colossal-AI能达到约54%的硬件利用率（MFU），处于业界领先水平。

对于预训练任务，以使用512张A10040GB预训练Llama270B为例，DeepSpeed ZeRO3策略因显存不足而无法启动，仅能通过速度衰减较大的ZeRO3-offload策略启动。

相比之下，Colossal-AI则因卓越的系统优化和扩展性，仍能保持良好性能，训练提速195%。

Colossal-AI Llama2训练/微调方案的高性能来源于新的异构内存管理系统Gemini和高性能算子（包括Flash Attention2）等系统优化。

新Gemini提供了高可扩展性，高鲁棒性，高易用性的接口。其Checkpoint格式与HuggingFace完全兼容，减小了使用和转换成本。其对于切分、offload等的设置更加灵活且易用，能够覆盖更多硬件配置下的Llama2训练/微调任务。仅需数行代码即可使用:

fromcolossalai.boosterimportBoosterfromcolossalai.booster.pluginimportGeminiPluginplugin=GeminiPlugin（）booster=Booster(plugin=plugin)model，optimizer，train_dataloader，criterion=booster.boost(model，optimizer，train_dataloader，criterion)

ShardFormer多维细粒度并行

虽然对于主流硬件条件和大多数模型，Colossal-AI的新Gemini已经能够提供良好的性能。但是对于一些极端硬件条件，或者是特殊模型，可能仍然需要多维并行的细粒度优化。

现有其他方案通常需要分布式系统资深专家，手动对代码进行大规模重构和调优，Colossal-AI的ShardFormer提供了开箱即用的多维并行和算子优化的能力，仅需数行代码即可使用，在单机/大规模集群上都能提供良好的性能。

fromcolossalai.boosterimportBoosterfromcolossalai.booster.pluginimportHybridParallelPluginfromtransformers.models.llamaimportLlamaForCausalLM，LlamaConfigplugin=HybridParallelPlugin（tp_size=2，pp_size=2，num_microbatches=4，zero_stage=1）booster=Booster(plugin=plugin)model=LlamaForCausalLM(LlamaConfig())model，optimizer，train_dataloader，criterion=booster.boost(model，optimizer，train_dataloader，criterion)

Colossal-AI ShardFormer支持包括LLaMA1/2、BLOOM、OPT、T5、GPT-2、BERT、GLM在内的主流开源模型，也可以直接使用Huggingface/transformers模型导入，Checkpoint格式也与HuggingFace完全兼容，对比Megatron-LM等需重写大量代码的方案，大大提升了易用性。

对于并行策略，已支持以下多种并行方式:张量并行、流水线并行、序列并行、数据并行、Zero数据并行等，并可将多种并行方式组合使用，只需通过简单的配置命令，即可适配各种复杂的硬件环境/模型。同时，其内置了各种高性能算子，免去了繁琐的兼容/配置过程。其中包括:

• Flash attention2

• Memory efficient attention （xformers）

• Fused Normalization Layer

• JIT kernels

云平台大模型一站式解决

为了进一步提升开发和部署效率，Colossal-AI团队还将上述系统优势与算力结合，提供Colossal-AI云平台，提供廉价算力和开箱即用的AI主流应用，包括对话大模型，多模态模型，生物医药等，现已开启内测。

通过屏蔽大模型底层的分布式并行计算、内存、通信管理与优化等，AI开发者可以继续专注于AI模型与算法设计，以更低成本更快速度完成AI大模型助力业务降本增效。

用户只需要上传相关数据，即可无代码训练个性化私有模型，并将训练好的模型一键部署。相关的应用都经过Colossal-AI团队精心优化，得益于算法和系统的双面优化，能大大降低模型训练以及部署的成本。

Colossal-AI云平台:platform.luchentech.com

Colossal-AI开源地址:https://github.com/hpcaitech/ColossalAI