1.两大问题

1. 效率问题
   数据量大，如何快速完成训练
2. 显存问题
   模型太大，如何在GPU上完成运算

2.并行训练

2.1数据并行

思路： 复制模型到多个GPU上，将训练的数据也拆分成相同份数，交由不同的GPU模型上训练，各自计算梯度后，传到某台机器上，累加，求平均，再反传到各个模型中，进行更新。这样每台机器的模型权重是一致的。

优点： 效率高，相当于一份工作分给多个人做，完成的也就块。
缺点： 要求单卡就能训练整个模型（显存够大）。

示意图：

2.2模型并行

思路： 将模型的不同层放在不同的GPU上，由前往后，依次计算，最后一层计算完成后，计算loss值，则由后到前依次计算，完成各层更新。

优点： 解决单块卡不够大的问题（模型比显存大）。
缺点： 需要更多的通讯时间（卡之间互相传输数据）。并且是单向串行，因为后面的模型层必须等前面传递数据才能计算。

示意图：

2.3张量并行

思路： 将张量划分到不同GPU上进行运算，其本质也是一种模型并行，只是它的并行的粒度更小，小到某层网络的权重计算拆分到不同的GPU上。

优点： 进一步减少对单卡显存的需求
缺点： 需要更多的数据通讯

示意图1：最后两部分，前后拼接起来

示意图2：最后两部分，对位相加

在transformer中多头机制，每个头在一个GPU上计算。

2.4混合并行

介绍： BLOOM模型训练时采用的并行计算结构，并且是混合并行，即采用数据并行：将数据拆分为4组，又采用模型并行，将模型层拆分到12组GPU上，进行流水线计算；在每一组GPU上，将分到该组上的模型层，再采用张量并行的原则进行计算。

示意图：

3.权重计算

3.1浮点数

三种浮点数的格式：

简介： FP32、FP16都是原有计算的浮点数数据格式，为了机器学习的，设计了BF16的格式。8个bit为1字节。

浮点数表示公式：

注意： 指数E影响的是浮点数的大小范围，而尾数M则影响浮点数的小数位数，即浮点数精确度。

举例：

例：25.125 D = 十进制 B = 二进制
整数部分：25(D) = 11001(B)
小数部分：0.125(D) = 0.001(B)
用二进制科学计数法表示：25.125(D) = 11001.001(B) = 1.1001001 * 2^4(B)
符号位 S = 0
尾数 M = 1.001001 = 001001(去掉1，隐藏位)
指数 E = 4 + 127(中间数) = 135(D) = 10000111(B)

图示如下：

精度损失举例：

将0.2（十进制）转化为二进制数：
0.2 * 2 = 0.4 -> 0
0.4 * 2 = 0.8 -> 0
0.8 * 2 = 1.6 -> 1
0.6 * 2 = 1.2 -> 1
0.2 * 2 = 0.4 -> 0（发生循环）
…

0.2(D) = 0.00110…(B)

由于浮点数尾数位数有限，最后只能截断，导致精度损失

例如： 0.00…（800个0）…01 + 1 = 1

3.2混合精度训练

原理： 模型在训练时，采用的是FP16位的浮点数进行的计算，在进行梯度计算，更新权重时，则采用FP32的浮点数更新。

原因： 模型在训练或者是推理时，FP16精度，一般情况下够用，为了节省资源，则不使用FP32的；但是在权重更新，计算loss时，由于有很多位小数，如果浮点数精度太低，可能导致计算出的梯度为0；无法更新权重。

释义：

1. 上面图中，在模型更新这块，完整保留了一份FP32浮点数的模型权重，计算loss和更新时，是更新的该参数。
2. 完成FP32浮点数的权重更新后，再转为FP16位的权重，放到训练中去，进行第二轮训练。

3.3deepspeed（微软）

3.3.1 ZeRO

简介： deepspeed是微软提供的一个加速框架，里面提供了数据并行、模型并行、张量并行、混合并行策略，这是主要介绍其：零冗余优化器 ZeRO。

示意图：

释义：

1. stage0 指的就是数据并行模式。由于模型权重、梯度都是BF16，即2个字节，即代表MemoryConsumed的前两个2；K是指优化器的不同参数会不同，这里的优化器是adam，有3个初始化参数：m、v、t；并且都是FP32的浮点数，即4字节，所以是12。
2. stage1指的是模型并行，这里只是将Optimizer States分散到不同的机器中，这里是Nd=64，即分到64张卡上，所以MemoryConsumed最后一个参数是除以Nd。
3. stage2指的是模型并行，这里不仅将优化器，还把梯度也分散到不同的机器/卡中，计算同上。
4. stage3指的是模型并行，这里将优化器，梯度、参数都分散到不同的机器/卡中，是完整的模型并行模式。
   5.上面的计算都是基于全量微调的资源计算方式。

3.3.2ZeRO-offload

简介： 把一部分计算放到内存中，用CPU计算；目的是解决显存不足问题，但是CPU并行计算比较慢。

3.3总结

1. 训练速度
   Stage 0 > Stage 1 > Stage 2 > Stage 2 + offload > Stage 3 > Stage 3 + offloads

2. 显存效率（指固定显存下，能够训练的模型大小）
   Stage 0 < Stage 1 < Stage 2 < Stage 2 + offload < Stage 3 < Stage 3 + offloads

4.PEFT

简介： Parameter-Efficient Fine-Tuning；当训练整个大模型不能实现时，可以采取的一种策略；即通过最小化微调参数的数量缓解大型预训练模型的训练成本。

4.1Prompt Tuning

释义：

1. 原理：即将各类任务较好的提示词进行整理，将提示词与任务问题结合，多个不同类型的任务材料和对应提示词加在一起，作为微调的语料，只是这个时候冻结模型的权重，只让embedding可以进行训练；使得embedding的结果在这些任务上能够更好的拟合后面的模型权重，使得模型能够更好的处理这些token，从而完成这些任务。

Prefix-tuning

4.2P-tuning & P-tuning v2

5.Adapter

释义：

1. 上图中，左侧是一个原有的transformer结构中，添加了Adapter模型层
2. 训练时调整的是Adapter中的FeedFoward层的参数，这样调整的参数就很小，需要的资源就可以降低。
3. 上图中，右侧是即为Adapter的模型结构，包含两个Feedfoward层和一个激活函数。
4. Adapter中的两个FF就是训练的参数，这里会通过降维升维操作，再次降低参数量
   a. 输入Feedfowarddown-project时，矩阵为：768 * 768；FFDP为：768 * 8；FFUP为：8 * 768；
   这样就比两个FFDP和FFUP都为768 * 768参数要小的多。

优点：

1. 加入的Adapter的参数的变化对模型的影响深远，因为添加的模型是在transformer的结构中的。
2. 通过加入Adapter模型，与全量微调相比，训练的参数减少，降低了极大部分的训练资源开销。

缺点：
3. 增加了模型的深度，因为是和Transformer中的结构串联的。

6.LoRA

示意图：

释义：

1. 上图左侧蓝色表示预训练模型的任意一个线性层；右侧表示LoRA模型，即可以在预训练模型的任意一层线性层旁边加入LoRA模型进行微调。
2. LoRA使用的仍然是Adapter的思想，在网络中加入新的训练模型，结合原有预训练模型参数，获得对下游任务的良好表现，只是LoRA是并联。
3. 其中A、B分别可以等价于Adapter中的FFDP、FFUP两层。
4. r就是秩；比如：W是L * H 是768 * 768；A、B分别是：768 * 8 、8 * 768；那么这里的8就是r。
5. transformer结构中，大多数网络层都是线性的；比如Q、K、V；那么这些模型层都可以加入LoRA进行微调训练。对模型改变和影响深度非常大。
6. 注意： 初始化A、B权重矩阵时，注意，A的权重是随机初始化的，B的权重是全部为0可以进行微调训练的。原因： 为了微调的起点是预训练模型，B的权重为0，则A、B相乘为0；如果A、B都不会零，随机初始化，就会导致训练一开始，计算loss，就不是基于预训练模型进行的微调。如果A、B初始化都为零，则梯度更难计算，模型学习更加困难。
7. LoRA有参数：r、lora_alpha、lora_dropout、target_modules；r就是降维的比例；lora_dropout就是Dropout参数；target_modules即需要加载LoRA模型的位置；加上LoRA后，可以看成：下面BAx的部分，最后BAx会乘以一个缩放参数，这个参数值是：lora_alpha与r的商。
   

优点：

1. 加入的LoRA的模型，添加的模型层更多，可为微调的范围也就越大，更能对模型输出施加影响。
2. 与全量微调相比，训练的参数减少，降低了极大部分的训练资源开销。
3. 没有加深模型的整体层数和深度，模型计算更快。

7.模型推理加速（KV cache 技术）

简介： 由于并发、响应速度的需求，需要在不影响模型推理效果的基础上，提高现有模型推理速度，根据对模型的结构和计算过程的分析，在self-attention结构上，有一个非常好的改进点。

示意图：
原理： 在Q、K、V计算时，有一个与文本等长的矩阵，计算输入中，各字词之间的要素相关性；在推理预测下一个字的过程中，矩阵的长宽是不断变大的，计算量也就不断变大；由于每次预测相较于前一次，只是增加了前一个输出的相关性，那么将前面的输出的相关性，存在缓存中，每次只计算新增的这一个输出，就会减少大量的计算量。

举例如下：

释义：

1. 原有计算：将今天天气不错，全部输入到Q、K计算矩阵中，也就每次计算，都是完整的内容。
2. 当前计算：每次计算Q、K的结果都保留到缓存中，上述内容中，当前只需要计算：错这一列；前面今天天气不都直接用缓存中的即可。并且将当前错的计算，也加入到缓存中。降低的计算时间、计算量。效果显著。