LLM - 大模型 ScallingLaws 的指导模型设计与实验环境(PLM) 教程(4)

欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://spike.blog.csdn.net/article/details/145323420

免责声明：本文来源于个人知识与公开资料，仅用于学术交流，欢迎讨论，不支持转载。

---

Scaling Laws (缩放法则) 是大模型领域中，用于描述 模型性能(Loss) 与 模型规模N、数据量D、计算资源C 之间关系的经验规律，揭示在大模型中，随着模型参数数量、数据集大小和计算资源的增加，模型性能的变化模式，指导更高效地分配资源，优化模型训练过程，实现更好的性能。这些规律不仅有助于预测不同规模模型的表现，还能为模型设计和训练提供理论依据，是推动大模型发展和应用的重要理论基础。

使用 ScalingLaws 指导模型设计，验证模型效果，超过根据经验设计的模型，以及介绍模型的训练环境与超参数。

系列文章：

1. 大模型 ScallingLaws 的 C=6ND 公式推导
2. 大模型 ScallingLaws 的 CLM 和 MLM 中不同系数
3. 大模型 ScallingLaws 的迁移学习与混合训练
4. 大模型 ScallingLaws 的指导模型设计与实验环境
5. 大模型 ScallingLaws 的设计 100B 预训练方案

1. ScalingLaws 指导模型设计

验证根据 ScalingLaws 指导模型设计的效果：

根据 PLM 的 ScalingLaw 公式计算，CLM 模型，模型规模(N)是 $7.2B$，数据量(D)是 $265B$，计算量($C$) 是 $1.14\times 10^{22}$，即输入计算量，输出模型规模与数据量，公式如下：

$$\begin{array}{rl}N& =(1.26\times 10^{-3})\times C^{0.578}\\ N& =1.26\times 10^{-3}\times (1.14\times 10^{22}{)}^{0.578}\\ & =7.067\times 10^9\\ D& =(1.23\times 10^2)\times C^{0.422}\\ D& =1.23\times 10^2\times (1.14\times 10^{22}{)}^{0.422}\\ & =250\times 10^9\end{array}$$

Protein 的 CLM 模型公式，参考：大模型 ScallingLaws 的 CLM 和 MLM 中不同系数(PLM)，使用 Latex 计算数值，可以使用 SymboLab 工具。

根据 PLM 的 ScalingLaw 公式计算，MLM 模型，模型规模(N)是 $10.7B$，数据量(D)是 $260B$，计算量($C$) 是 $1.68\times 10^{22}$，即输入计算量为，输出模型规模与数据量，公式如下：

$$\begin{array}{rl}N& =(6.19\times 10^{-8})\times C^{0.776}\\ N& =(6.19\times 10^{-8})\times (1.68\times 10^{22}{)}^{0.776}\\ & =10.93\times 10^9\\ D& =(2.02\times 10^6)\times C^{0.230}\\ D& =(2.02\times 10^6)\times (1.68\times 10^{22}{)}^{0.230}\\ & =261\times 10^9\end{array}$$

与表格的数值类似。

在 MLM 与 CLM+MLM 的对比实验中，根据 PLM 的 ScalingLaw 公式计算，MLM 模型规模(N)是 $470M$，数据量(D)是 $106B$，计算量($C$) 是 $3\times 10^{20}$，即输入计算量为，输出模型规模与数据量，计算结果 $103\times 10^9\sim 106B$，公式如下：

$$\begin{array}{rl}N& =(6.19\times 10^{-8})\times C^{0.776}\\ N& =(6.19\times 10^{-8})\times (3\times 10^{20}{)}^{0.776}\\ & =480\times 10^6\\ D& =(2.02\times 10^6)\times C^{0.230}\\ D& =(2.02\times 10^6)\times (3\times 10^{20}{)}^{0.230}\\ & =103\times 10^9\end{array}$$
在 CLM+MLM 模型中，MLM 模型规模(N)是 $470M$，计算量($C$) 是 $3\times 10^{20}$ 一致，数据量(D)是 $106B$ 不同，计算结果 $18.83\times 10^9\sim 21B$，公式如下：

$$\begin{array}{rl}{D}_t& =k\times \frac{1}{D_f^{\alpha }}\times \frac{1}{N^{\beta }}\\ & =3.65\times 10^5\times \frac{1}{D_f^{-0.137}}\times \frac{1}{N^{-0.369}}\\ D_t& =3.65\times 10^5\times \frac{1}{(85\times 1024^3{)}^{-0.137}}\times \frac{1}{(480\times 1024^2{)}^{-0.369}}\\ & =18.83\times 10^9\end{array}$$

与表格的数值类似。

2. ScalingLaws 模型效果

在 CLM 模型中，PROGEN2-xlarge(6.4B) 与 Our-7.2B 对比，在 序列生成的困惑度(Perplexity)、结构预测的 pLDDT、FoldSeek 搜索的 TM-Score、聚类(Cluster) 的分布 中，这 4 个领域的实验结果，Our-7.2B 都优于 PROGEN2-xlarge(6.4B)。如图：

在 MLM 模型中，ESM-2 (3B) 与 Ours-10.7B 对比，使用 LoRA 进行微调下游任务，包括 接触预测(Contact Prediction)、折叠分类(Fold Classification)、荧光蛋白(Fluorescence) 的 Spearman 相似度，这 3 个领域的实验结果，Our-10.7B 都优于 ESM-2(3B)，同时，470M 模型的迁移学习优于从头训练。如图：

3. 实验参数

核心的实验参数，包括 大规模数据集(UniMeta200B)、MLM的掩码率(Mask Ratios)、MLM的下游任务(Downstream)。

3.1 大规模数据(UniMeta200B)

验证 大规模数据集(UniMeta200B) 的有效性，优于小批量数据的过采样(UR50/S)，采样方法包括 Bootstrap、Local Shuffle、Global Shuffle，即：

• Bootstrap：从 UR50/S 数据集中有放回地处理了200B Tokens，在每个训练周期中，随机抽取数据集的 65%。
• Local Shuffle：每个 Epoch 都使用全部的 UR50/S Tokens，进行 Shuffle。
• Global Shuffle：将重复的全部 UR50/S Tokens，进行 Shuffle，分配至每个 Epoch。

3.2 掩码率(Mask Ratios)

验证 掩码率(Mask Ratios) 的超参，掩码率 10%~20% 的效果最好，最终选择 15% 的掩码率，同时，满足80-10-10 策略，在 15% 的掩码部分，其中 80% 替换成掩码，10% 随机替换、10% 保持不变，同时验证，下游任务中，也是 15% 掩码率最好，即：

3.3 下游任务(Downstream)

验证 MLM 与 CLM 在下游任务(downstream) 的效果，即接触预测(Contact Prediction)，显示相同计算量和相同的 Loss 情况下，MLM 优于 CLM，微调方法 LoRA 优于 Probing，即：

P@L/5 即 Precision at L/5，其中 L 代表序列长度，计算的是在前 L/5 最高预测概率中，预测正常的比例。

4. ScalingLaws 实验环境

实验环境包括：

1. 设备 带有 NVLink 的 Ampere A100 GPU (80G)，GLM 框架，训练 1M(Million) 小时的 GPU，即 768 卡，训练 $(1\times 10^{6}h)/(768)/(24h/D)\approx 55D$
2. 小模型(<2B) 只使用 数据并行(Data Parallelism)，没有使用 模型并行(Model Parallelism) 和 流水线并行(Pipeline Parallelism)。
3. 改进的 Transformer 架构：DeepNorm + LayerNorm、激活函数 GeLU、位置编码 RoPE
4. 其他：
   1. FlashAttention
   2. 余弦衰减策略(Cosine Decay Strategy) + 预热(Warm-Up) 2.5%
   3. 序列长度1024 + <EOS>分隔符(Delimiter)
   4. AdamW
   5. BFloat16(Brain Floating Point 16-bit)
   6. 迁移学习：忽略预训练优化状态、预热 5%。

使用带有 NVLink 的 Ampere A100 GPU (80G) 完成所有实验，基于 DeepSpeed 和 Megatron 开发的 GLM 框架，总共使用大约 1M(Million) 小时的 GPU 计算时间，小模型(<2B) 主要使用 数据并行(Data Parallelism)，没有使用 模型并行(Model Parallelism) 和 流水线并行(Pipeline Parallelism)，简化部署。

使用改进的 Transformer 架构：

(1) 使用 DeepNorm + LayerNorm，即：

$$DeepNorm(x)=LayerNorm(\alpha \cdot x+Network(x))$$

其中，缩放因子 $\alpha$ 的值为 $(2N{)}^{\frac{1}{2}}$，$N$ 是模型的层数，即层数越深，原始输入的权重越高，例如 $(2\times 70{)}^{\frac{1}{2}}=11.83$

(2) 使用 激活函数 GeLU，即：

$$\begin{array}{rl}GeLU(x)& =x\cdot P(X<=x)=x\cdot \Phi (x)\\ GeLU(x)& =x\cdot \frac{1+erf(\frac{x}{\sqrt{2}})}{2}\end{array}$$

其中，$\Phi (x)$ 是标准正态分布的累积分布函数(CDF)，$erf(x)$ 是高斯误差函数。

基于 Sigmoid 的近似公式，即：

$$GeLU(x)\approx x\cdot \sigma (1.702x)$$

PyTorch 源码：

def gelu(x):return x * 0.5 * (1.0 + torch.erf(x / torch.sqrt(2.0)))

GeLU 图示：

(3) 使用 位置编码 RoPE，即：

$$\begin{gathered} P{E}_{(pos,k)}=cos(\frac{pos}{500000^{\frac{k}{d_m}}})+i\cdot sin(\frac{pos}{500000^{\frac{k}{d_m}}}) \\ {\theta }_k=\frac{1}{500000^{\frac{k}{d_m}}} \\ P{E}_{(pos,k)}=cos(pos\cdot {\theta }_k)+i\cdot sin(pos\cdot {\theta }_k)=e^{i\cdot pos\cdot {\theta }_k} \end{gathered}$$

RoPE 参考：理解 旋转位置编码(RoPE)

(4) 使用 FlashAttention 加速训练过程，参考 FlashAttention 的 Safe-Softmax 与 One-Pass Tiling 计算

(5) 使用 余弦衰减策略(Cosine Decay Strategy)，最大学习率(LR) 经验范围是 $6\times 10^{-4}\sim 1.2\times 10^{-4}$，衰减至 最大LR 的 0.1 倍，预热步数(warm-up) 是 2.5%。

(6) 序列长度设置为 1024，序列通过 <EOS>分隔符(delimiter) 进行拼接。

(7) 优化器使用 AdamW，参数更新，即：

$$\begin{array}{rl}{\theta }_{t+1}& ={\theta }_t-\frac{\alpha }{\sqrt{v_t}+ϵ}{m}_t-\lambda {\theta }_t\\ m_t& ={\beta }_1{m}_{t-1}+(1-{\beta }_1)\nabla L({\theta }_{t-1})\\ v_t& ={\beta }_2{v}_{t-1}+(1-{\beta }_2)\nabla L({\theta }_{t-1}{)}^2\end{array}$$

其中，$m_t$ 是一阶矩估计(Mean)，$v_t$ 是二阶距估计(Variance)，$\alpha$ 是学习率。

超参数包括 4 个，即 ${\beta }_1$ 是一阶矩衰减率(0.9)，${\beta }_2$ 是二阶距衰减率(0.95)，$ϵ$ 是小常数($1\times 10^{-8}$)， $\lambda$ 是权重衰减系数(0.01)。

(8) 省略 Dropout，使用 BFloat16(Brain Floating Point 16-bit) 数据格式，即1位符号位、8位指数位、7位尾数位，FP16 是 1-5-10。BFloat16 比 FP16 的数值范围更大，精度降低，数值范围 $-3.4\times 10^{38}\sim 3.4\times 10^{38}$，即：

$$\begin{array}{rl}BF16_{max}& =2^{127}\times (1+\frac{127}{128})=2^{127}\times 1.9921875\approx 3.4\times 10^{38}\\ BF16_{min}& =2^{-126}\times \frac{1}{128}=2^{-133}\approx 9.2\times 10^{-41}\end{array}$$

(9) 迁移学习，只使用模型，忽略预训练的优化状态，预热使用最大LR的 5% 总步数，学习剩余的 Tokens。

模型参数：