像GPT和LLaMA这样的大型语言模型(LLM)以其复杂的能力正在革新AI行业。训练这些模型需要庞大的GPU集群和大量的计算时间,在可扩展性、效率和可靠性方面带来了重大挑战。本综述探讨了LLM训练系统的最新进展,包括在训练基础设施中使用AI加速器、网络、存储和调度的创新。此外,综述还涵盖了并行策略以及在分布式LLM训练中针对计算、通信和内存的优化。它还包括在长时间训练期间保持系统可靠性的方法。通过审视当前的创新和未来的方向,本综述旨在为改进LLM训练系统和应对持续的挑战提供宝贵的见解。此外,基于传统数字电路的计算系统在满足LLM的计算需求方面面临重大限制,突显出诸如光学计算和光网络等创新解决方案的必要性。
大型语言模型(LLM)正在变革AI行业,在个人助手[1]、代码辅助[2]、芯片设计[3]和科学发现[4]等广泛任务和应用中展示了卓越的能力。这场革命的成功建立在以GPT[5]、LLaMA[6]、Gemini**[7]等为代表的前所未有规模的基于变压器的LLM之上。此外,证据表明LLM的规模化尚未达到瓶颈[8]。这种趋势显著改变了基础训练系统和基础设施的设计,因为LLM通常遵循相对固定的架构,其训练独占了庞大的GPU集群长达数月。例如,LLaMA-3的预训练在Meta的生产集群上使用16K H100-80GB GPU耗时约54天[9]。
LLM训练在可扩展性、效率和可靠性(“SER”)方面对当今的训练系统和基础设施提出了重大挑战。可扩展性要求基础设施和系统能够无缝适应成千上万的GPU或AI加速器的大型集群,同时保持训练正确性和模型精度。这需要在硬件配置、网络和训练框架方面的创新解决方案。效率关注于最大化整个集群的资源利用率,通常以模型浮点运算**(MFU)来衡量。实现高MFU涉及优化计算、最小化通信开销以及在前所未有的规模上高效管理内存。可靠性对于LLM训练至关重要,通常训练持续数周到数月。系统必须保持一致的性能,并对各种类型的故障具有弹性,包括硬件故障、网络问题和软件错误。它应能快速检测并从这些故障中恢复,而不会显著丧失进度或训练质量。这些相互关联的挑战需要系统和基础设施设计的整体方法,推动大规模分布式计算的边界,并为高性能机器学习系统的研究和创新开辟新途径。
本综述论文旨在全面概述LLM训练系统和基础设施的进展,解决上述挑战。本综述从分布式训练基础设施到训练系统,涵盖了GPU集群、高性能网络和为LLM工作负载量身定制的分布式存储系统的创新方法。我们还探讨了分布式训练系统的关键方面,包括提高可扩展性和效率的并行策略、计算、通信和内存优化。我们深入研究了提高训练可靠性的容错机制。通过综合最近的进展并确定未来的研究方向,本综述旨在为研究人员和实践者提供对改进LLM训练系统最有前景途径的见解。我们的目标是提供一个有价值的资源,不仅解决当前的挑战,还为大规模机器学习基础设施的未来创新铺平道路。
组织结构。图1展示了本综述的组织结构。第2节讨论LLM架构、LLM训练的特点和挑战的背景信息。在第3节中,我们总结了训练基础设施的关键方面,包括AI加速器、网络基础设施和存储系统。在第4节中,我们研究了分布式LLM训练的并行方案。在第5节中,我们讨论了利用前所未有的计算能力的计算优化。在第6节中,我们讨论了LLM训练中优化内存占用的技术。在第7节中,我们介绍了最小化通信开销的通信优化。在第8节中,我们首先进行故障分析,然后介绍快速故障检测和恢复的方法。最后,我们在第9节总结了本综述。
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓