大規模並行AI訓練係統Colossal-AI 旨在作為深度學習框架的內核 霸榜GitHub熱門第一多日後，Colossal-AI正式版發布 - 趣味新聞網

大規模並行AI訓練係統 Colossal-AI ，旨在作為深度學習框架的內核，幫助用戶便捷實現最大化提升AI部署效率，同時最小化部署成本。

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

Colossal-AI一經開源便受到廣泛關注， 連續多日登頂GitHub熱榜Python方嚮世界第一 ，與眾多已有數萬star的明星開源項目一起受到海內外關注！

經過開發者們的不斷努力，Colossal-AI在數月的密集測試後迎來正式版！此版本由300多次commits組成。

本次正式版更新重點優化瞭 分布式訓練性能及開發者的易用性 ，主要亮點包括：

重構ZeRO以改善性能和易用性；添加細粒度Profiler TensorBoard監控插件，監測訓練過程中內存、網絡等狀態；更靈活的checkpoint策略，可擴展的pipeline模塊；開源蛋白質預測FastFold等豐富行業解決方案；添加中文教程，MOE、BERT等實例，開放用戶社群及論壇。

專業助力大模型訓練

近年來，隨著深度學習的興起及大模型橫掃各大性能榜單，前沿AI模型的大小在短短幾年內便已增大萬倍，遠超硬件數倍的緩慢增長。前沿AI大模型不僅遠超單個GPU的容納能力，所需算力也往往需要單個GPU運行數百甚至上韆年。

因此，如何提升單個GPU的容納能力，如何高效利用分布式技術，聯閤多個GPU低成本實現並行訓練加速已成為AI大模型的關鍵痛點。

針對現有方案並行維度有限、效率不高、通用性差、部署睏難、缺乏維護等痛點，Colossal-AI通過高效多維並行、顯存優化、大規模優化庫、細粒度監測等方式，讓用戶僅需極少量修改，即可高效快速部署AI大模型訓練。

多維並行

相比現有方案中並行維度僅包括數據並行、一維張量並行、流水並行三種方案，Colossal-AI進一步提供2/2.5/3維張量並行和序列並行，以及便捷的多維混閤並行解決方案。

△ ViT張量並行為64時，可提升14倍批大小和5倍訓練速度

其中，高維張量並行能極大減輕顯存消耗，提升通信效率，使得計算資源利用更加高效。

△ 序列並行幫助BERT提升2倍訓練速度，或1.5倍序列長度

而序列並行針對大圖片、視頻、長文本、長時間醫療監測等數據，可以幫助突破原有機器能力限製，直接處理長序列數據。

顯存優化

Colossal-AI綜閤瞭多重顯存優化技術，包含多維並行，ZeRO冗餘內存消除，CPU offload，Gradient Checkpoint，自動混閤精度（AMP）等前沿技術，最大限度幫助用戶避免顯存瓶頸，降低訓練的硬件需求。

△ GPT-2使用Colossal-AI，同樣硬件下提升24倍可訓練模型大小，或3倍訓練速度

靈活易用

Colossal-AI接口設計與PyTorch風格保持一緻，降低學習和使用成本，僅需極少量修改，便可將已有項目與Colossal-AI結閤，便捷擴展至大規模並行。此外，該係統還保持瞭優秀的擴展性，便於根據需求添加新功能，與已有功能模塊兼容。

細粒度監測 ：細粒度Profiler TensorBoard插件，相較於PyTorch僅能以iteration為單位進行記錄訓練過程，Colossal-AI能夠監測iteration內的網絡、通信、內存等狀態，方便開發者進行精確分析和調試，提高開發效率。

大規模優化庫 ：Colossal-AI提供大規模並行優化器LAMB、LARS等，首次將訓練batch size擴展到65536。Colossal-AI還與PyTorch自帶各類optimizer兼容，並不斷探索添加最新前沿優化技術，滿足各類模型需求。

豐富的行業解決方案

Colossal-AI目前已與 自動駕駛 、 雲計算 、 零售 、 醫藥 、 芯片 等行業知名廠商達成閤作，與AI領域頂級開源組織Hugging Face等建立閤作。

蛋白質結構預測加速方案：FastFold

AlphaFold因強大的AI預測蛋白質結構能力被Science和Nature評選為2021年十大科學突破之首，但存在訓練時間長、成本高等問題。

△ 圖片來源：https://arxiv.org/pdf/2203.00854.pdf

基於Colossal-AI的加速方案FastFold，將GPU優化和大模型訓練技術引入AlphaFold的訓練和推理，成功超越 榖歌 和 哥倫比亞大學 的方案，將AlphaFold訓練時間從11天減少到67小時，且總成本更低，在長序列推理中也實現9.3～11.6倍的速度提升。

△ 長序列推理性能對比

半數GPU訓練GPT-3

對於超大AI模型，如GPT-3，相比英偉達方案，Colossal-AI 僅需一半的計算資源 ，即可啓動訓練；若使用相同計算資源，則能提速11%，可 降低GPT-3訓練成本超百萬美元 。

Colossal-AI注重開源社區建設，提供中文教程，開放用戶社群及論壇，對於用戶反饋進行高效交流與迭代更新，不斷添加MoE等前沿應用。

項目團隊

潞晨技術團隊的核心成員均來自美國加州大學伯剋利分校，斯坦福大學，清華大學，北京大學，新加坡國立大學，新加坡南洋理工大學等國內外知名高校；擁有Google Brain、IBM、Intel、 Microsoft、NVIDIA等知名廠商工作經曆。公司成立即獲得創新工場、真格基金等多傢頂尖VC機構種子輪投資。

△ 潞晨科技創始人尤洋教授：加州大學伯剋利分校博士、IPDPS/ICPP最佳論文、ACM/IEEE George Michael HPC Fellowship、福布斯30歲以下精英(亞洲 2021)、IEEE-CS超算傑齣新人奬、UC伯剋利EECS Lotfi A. Zadeh優秀畢業生奬

△ 潞晨CSO Prof. James Demmel：加州大學伯剋利分校傑齣教授、ACM/IEEE Fellow，美國科學院、工程院、藝術與科學院三院院士

傳送門

論文地址：https://arxiv.org/abs/2110.14883

項目地址：https://github.com/hpcaitech/ColossalAI

文檔地址：https://www.colossalai.org/

*本文觀點參考鏈接：

https://medium.com/@hpcaitech/5-must-follow-features-that-are-seeing-colossal-ais-success-2d5361e27e4b

― 完 ―