Stacking Your Transformer：通过堆叠加快 LLM 预训练

Stacking Your Transformer：通过堆叠加快 LLM 预训练

原创 AI闲谈  2024年07月15日 20:00 北京

一、背景

我们之前的文章中介绍了几种模型增长的方案，然而针对 LLM 场景却又缺乏足够的数据支撑以及最佳实践。比如说不知道在 LLM 场景中这些方案的差异有多大，是否和模型规模、数据量、以及训练 FLOPs 有关？本文中我们介绍来自香港大学、清华大学和香港科技大学的 Stacking Your Transformer，作者做了大量的实验来尝试回答上述问题。

对应的论文为：[2405.15319] Stacking Your Transformers: A Closer Look at Model Growth for Efficient LLM Pre-Training

对应的 Blog：https://llm-stacking.github.io/

对应的代码库：GitHub - tongxuluo/prts

PS：需要说明的是，论文中的实验很多，这里也只列了一部分。当然，也有待完善的地方，比如论文中对比了 4 个抽象的增长算子的影响，但这并不代表就完全等效于之前的工作，如果能有一些具体的对比会更清晰；此外，论文中大小模型训练数据量也和之前的方法很不同，比如 [2309.03852] FLM-101B: An Open LLM and How to Train It with $100K Budget 中先在 16B 模型训练 245.37B Token，然后在 51B 模型训练 39.64B Token，最后在 101B 模型训练 26.54B Token；而本文中的方案基本是在小规模模型训练很少的 Token，比如 10B 规模。

二、摘要

论文中，作者进一步探索了模型扩展在 LLM 预训练中的可行性。首先，作者确定了 3 个关键障碍：

O1：缺乏全面的评估。

O2：未经测试的扩展可行性。

O3：缺乏经验指南。

为了解决 O1 问题，作者将现有的方案总结为 4 个原子增长算子，并在标准的 LLM 预训练中对其进行了系统的评估。结果表明，与 Baseline 相比，深度堆叠算子 Gstack 表现出了显著的加速，从而提升了在 8 个 NLP 基准的整体性能。基于此，作者深入的研究了 Gstack，以便解决 O2 和 O3。对于 O2，作者实验表明，Gstack 是可扩展的，并且始终表现良好，例如，与直接使用 300B Token 训练的 7B 模型相比，Gstack 只使用 194B Token 就可以达到相同损失，加速 54.6%。对于 O3，作者通过建模确定 Gstack 的增长规划（Growth Timing）和增长因子（Growth Factor），使其在常见的 LLM 预训练中更实用。

三、方法

3.1 O1：4 种增长算子

如下图 Figure 2 所示，作者将之前方案中的生长方案总结为 4 个生长算子：

（a）：Gdirect 通过拷贝、切分和堆叠的方式实现，分为宽度方向和深度方向。

（b）：Glearn 通过学习映射函数的方式实现。

（c）：Gzero 通过扩充 0 值的方式实现。

（d）：Grandom 通过随机初始化然后增加 Mask 的方式实现。（PS：是否也可以不使用随机初始化，比如拷贝后添加 Mask？）

为了对比不同方法的效果，作者制定了一个统一的方案：总共两个训练阶段，增长前的小模型训练，增长后的大模型训练。其小模型训练的 Token 数 d，大模型训练的 Token 数 D 以及模型增长因子 g（对应非 Embedding 参数） 作为超参。

如下图 Figure 3 所示，作者先用 d=10B Token 预训练了一个 400M 参数的模型，然后扩展为 1.1B 参数，对应增长因子 g=4，并继续使用额外的 D=97.5B Token 进行训练，以此来验证不同方案的效果。可以看出深度堆叠 Gdirect 获得了最好的效果，与直接训练 100B Token大模型相比可以加速 49.1%，同时宽度扩展基本都是负优化。

PS：实际上采用不同的 d 来训练小模型得到的结果很不一样，比如作者实际分别测试了使用 d=10B 和 d=50B Token 来训练小模型的结果，可以发现在 d=50B 的时候 Gzero 在深度上获得了更好的结果， Grandom 在宽度上获得更好的效果。

3.2 O2：Gstack 扩展可行性

从上面可以看出，在作者 400M 的实验中，模型深度堆叠的方案能获得不错的收益，因此作者也聚焦在模型深度堆叠场景。如下所示，作者将这种方式称为 Gstack：

扩展模型规模：如下图 Figure 4 和 Figure 5 所示，作者在 3B 模型和 7B 模型上进行了验证，其中 g=4，d=10B，具体来说，小模型的层数分别是 3B 和 7B 模型的 1/4，小模型训练 10B Token：

Figure 4：3B 模型从头开始训练

训练 180B Token 达到 loss 与 Gstack 花费 48.6% FLOPs 的 loss 相当。

训练 240B Token 达到 loss 与 Gstack 花费 54.5% FLOPs 的 loss 相当。

Figure 5：7B 从头开始训练，160B，220B 和 280B Token 对应 Gstack 的 FLOPs 为 40.8%, 55.3% 和 53.8%。

从上可以看出，当对比 1B、3B 和 7B 模型时，Gstack 带来的优势并没有随着模型尺寸的增加而减少，这意味着，即使更大的模型中也可以利用 Gstack 来加速。

扩展数据规模：如下图 Figure 6 所示，作者进一步探索了不断扩展数据规模的时候 Gstack 是否还有优势。从 Figure 6a 可以看出，对于 410M 的模型，训练远超缩放法则确定的 Token 数（8B），模型的 Loss 一直在下降，并且 Gstack 一直能获得更低的 Loss。如下图 Figure 6b 所示，作者进一步预估当训练 Token 数达到 8T 时（1000倍），Gstack 对应的 Loss 依然更低，表明扩大数据规模 Gstack 依然会有加速的效果。

Scaling Laws：如下图 Figure 7 所示，作者根据 410M、1.1B、3B、7B 模型的相关实验拟合了缩放法则曲线。可以看出，Gstack 在基于此预估出来的 13B 和 70B 模型模型上依然能够获得加速：

3.3 O3：Growth Timing d 和 Growth Factor g

在上述的实验中作者直接采用了 d=10B 和 g=4，那么这个是否是最佳组合呢，在小模型上训练更多数据是否能带来更高的加速比？从 1 B 模型直接扩展到 30B 模型是否可行？为了回答这些问题，作者通过建模来确定 d 和 g 的影响。

如下图 Figure 8 所示，作者在 410M、1.1B 和 3B 模型上探索了 Growth Timing d 的影响。可以看出，对于给定的 FLOP 预算，可以确定一个最优的 Growth Timing d，比如说，对于 410M 模型，最优的 d 为 5-10B Token，对于 1.1B 模型，最优的 d 为 10-20B Token：

如下图 Figure 9 所示，作者进一步拟合了对于给定大模型预训练 Token 数 C 和参数量 N 的情况下来预测 d 的曲线：

如下图 Figure 10 所示，作者在 1.1B（24 层） 和 3B（32 层） 模型上探索了 Growth Factor g 的影响。可以看出，对于 1.1 B 的模型，最优的 g 为 2-3 左右，对于 3B 模型，最优的 g 为 4-5 左右。对于 3B 模型来说，即使 g=16 时（对应 small model 为 2 层） Gstack 依然能有加速。

四、附录

4.1 如何堆叠？

在 [2011.13635] Progressively Stacking 2.0: A Multi-stage Layerwise Training Method for BERT Training Speedup 中，作者对 StackingBert-v1 进行了扩展。具体来说，将一个 N 层 Encoder 的模型分 K+1 次训练，第一次训练一个 N/k 层的 Bert 模型，然后每次扩展 N/k 层并且进行训练。其中绿色为冻结的层，红色为训练的层。也就是每次扩展后只训练新扩展的层，全部扩展完之后再解冻所有层继续训练：

本文作者采用了稍有不同的方案，具体来说，不是逐层堆叠 N/k 个 Layer，而是分两次堆叠。比如对于 6 层到 24 层的模型，第一次从 6 层到 12 层，第二次直接从 12 层到 24 层。作者也对两种方案进行了消融实验，如下图 Figure 33 所示，可以看出本文 Gstack 的方案会更优一些：

此外，如下图 Table 5 所示，作者也探索了不同的堆叠方式，比如只堆叠中间层，或只堆叠首/尾层，最终发现还是全部堆叠的方案最优：

4.2 为什么没保证 FPI？

Function Preserving Initialization（FPI）：目标是给定一个源模型，用它初始化目标模型，能保证给定相同的输入，目标模型和源模型有相同的输出。

在之前的很多工作中都在尝试保证 FPI，那是否一定要满足这个要求呢？针对这个问题作者也做了一些实验，具体来说，在 Gdirect 中通过添加噪声（加 20% 噪声），不加噪声，以及从头训练的方式进行对比，如下图 Figure 39 可以看出，初始阶段加噪的效果确实更差，但是随着 FLOPs 的增加，加噪的方式反而更好：

五、参考链接

https://arxiv.org/abs/2405.15319

https://llm-stacking.github.io/

https://github.com/tongxuluo/prts

https://arxiv.org/abs/2309.03852

https://arxiv.org/abs/2011.13635

LLM104

训练38

优化34

模型56

数据19

LLM · 目录

上一篇混合模型：HybridLLM、RouterLLM 等优化 LLM 推理成本的新思路下一篇万字综述：全面梳理 FP8 训练和推理技术