英偉達nGPT重塑Transformer，AI訓練速度暴增20倍！文字越長，加速越快

【新智元導讀】LLM訓練速度還可以再飆升20倍！英偉達團隊祭出全新架構歸一化Transformer（nGPT），上下文越長，訓練速度越快，還能維持原有精度。

AI的未來，或許就此改寫......

最近，英偉達團隊丟擲的一枚重磅炸彈，提出了全新神經網路架構——歸一化Transformer（nGPT），基於超球面（hypersphere）進行表示學習。

相較於Transformer架構本身，nGPT直接將LLM訓練速度提升至高20倍，而且還保持了原有精度。

也就意味著，原本需要一個月完成的訓練，在未來可能只需1-2天的時間就能搞定。

無疑為通向AGI終極目標，注入了一針強心劑！

論文地址：https://arxiv.org/pdf/2410.01131

在nGPT中，所有的向量（嵌入、MLP、注意力矩陣、隱藏狀態），都被歸一化為單位範數（unit norm）。

輸入後的token在超球面表面上移動，每一層都透過「位移」來貢獻最終的輸出預測，其中位移量是由MLP和注意力模組進行定義的，其向量元件都位於同一個超球面上。

實驗表明，nGPT達到相同精度所需的訓練步驟減少了4-20倍，具體取決於序列長度：

- 1k上下文，訓練速度提高4倍

- 4k上下文，訓練速度提高10倍

- 8k上下文，訓練速度提高20倍

可以看出，上下文越長，訓練越快。

Reddit網友表示，「我很好奇它還能擴充套件到多大程度。如果它能在更長的上下文中大幅擴充套件，這意味著像o1這樣的模型將會獲得顯著的訓練速度優勢」。

還有人表示，「下一代模型將會更高效、更智慧」。

nGPT全新架構，超球面上歸一化

毋庸置疑，Transformer架構是現代大模型的基礎。

不過，當前基於Transformer搭建的大模型都是計算密集型的，需要耗費大量的資源和時間。

為了改進其訓練穩定性、推理成本、上下文長度、魯棒性等方面，AI科學家已進行了大量的修改嘗試。

其中，最突出的發現是，歸一化技術對於Transformer效能改善起著重要作用，比如LayerNorm和RMSNorm。

另一種模型歸一化方法是，透過權重衰減（weight decay）控制權重範數。

不過，最新研究又對權重衰減的作用進行評估，並且轉向更多地關注旋轉，而非僅僅關注向量範數。

越來越多的證據表明，在超球面上進行表示學習與更穩定的訓練、更大的嵌入空間可分離性以及在下游任務上的更好效能相關。

而且，還有新研究表明，Transformer隱式地執行梯度下降作為元最佳化器。

由此，英偉達團隊提出了，在歸一化Transformer新視角下，統一該領域的各種發現和觀察。

這項研究的主要貢獻在於：

- 在超球面上最佳化網路引數

建議將形成網路矩陣嵌入維度的所有向量歸一化，使其位於單位範數超球面上。這種方法將矩陣-向量乘法轉化為餘弦相似度的計算，其範圍限定在 [-1,1] 之間。而且歸一化消除了對權重衰減的需求。

- 歸一化Transformer作為超球面上的可變度量最佳化器

歸一化Transformer本身在超球面上執行多步最佳化（每層兩步），其中注意力和MLP更新的每一步，都由特徵學習率控制——這些是可學習的可變度量矩陣的對角線元素。

對於輸入序列中的每個token

，歸一化Transformer的最佳化路徑從超球面上對應於其輸入嵌入向量的點開始，移動到超球面上最能預測下一個

的嵌入向量的點。

- 更快的收斂

研究證明，歸一化Transformer將達到相同精度所需的訓練步驟減少了4-20倍。

Transformer演變：從GPT到nGPT

嵌入層歸一化

標準的decoder-only Transformer的訓練目標是根據輸入序列的前序tokens來預測後面的token，在token預測時，模型會引入兩個可學習的嵌入矩陣Einput和Eoutput，分別用來從輸入詞轉為詞嵌入，以及從詞嵌入轉為預測輸出。

在模型訓練期間，通常使用對應嵌入向量的點積來計算token相似度，但嵌入向量的範數（norms）不受限制的，可能會導致相似性計算存在偏差。

為了提高相似性估計的準確性，研究人員在新架構中提出，在訓練演算法的每一步之後，對Einput和Eoutput中的嵌入向量進行歸一化。

智慧體在預測文字中的下一個詞時，會使用因果掩碼（casual masking）來確保模型在預測token時不會「偷看」到之後的詞，造成資訊洩露，從而讓模型能夠同時預測多個詞並計算預測誤差，提高訓練效率，同時保持了按順序預測詞的能力。

在輸入詞序列後，模型會在預測序列中的每個位置都生成一個輸出向量，然後計算出一個logits向量zi來表示詞彙表中每個詞出現的可能性，可以輔助模型理解不同詞在當前上下文中的重要性：

之後用softmax函式把zi轉為機率值，並選取機率最高的詞作為下一個詞的預測。

由於nGPT的嵌入矩陣已經歸一化了，所以zi的值範圍為[−1,1]，也會限制softmax後得到的機率分佈的置信度，也可以叫做溫度。

為了在訓練過程中調整置信度，nGPT又引入了一個可學習的縮放引數sz，透過逐元素地縮放logits，模型可以更靈活地預測的置信度，更好地學習到在不同情況下如何做出更準確的預測：

層/塊歸一

標準Transformer架構需要對隱藏層狀態h進行L層變換，包括一個自注意力（ATTN）和多層感知機（MLP）。

其中RMSNorm也可以替換成其他歸一化（normalization）函式。

隱藏層的引數更新，其實就是在一個超平面上（維度為隱藏層的向量長度）尋找兩個點（原引數和新引數）的最短距離。

1985年，Shoemake提出了球面線性插值（SLERP，Spherical Linear Interpolation），可以沿著球面上兩點之間的最短路徑找到中間點，研究人員發現該方法還可以透過更簡單的線性插值（LERP，linear interpolation）來得到近似解，從而降低計算量：

按最短路徑尋找來說，引數更新過程可以描述為：

其中a和b是球面上的兩個點，對應到nGPT上，a也就是隱藏層狀態，b是經過注意力機制或MLP塊後的狀態，梯度就是g=a-b，B為可變矩陣。

在擬牛頓方法中，B可以近似於逆黑塞矩陣，當 B是一個對角線元素非負的對角矩陣時，αB就變成了一個向量，其元素對應於B的對角線元素乘以學習率α，也可以稱之為特徵學習率（eigen learning rates）。

eigen源自德語詞，意為「自己的」（own），可以指代Transformer 的內部結構。

所以nGPT中的引數更新方程可以寫為：

其中αA 和 αM是可學習的引數，分別用於注意力和多層感知機（MLP）模組的歸一化輸出 hA和 hM

與基礎 Transformer 相比，在nGPT的最終層之後不需要再進行額外的歸一化了。

自注意力塊

注意力機制可以說是Transformer中最重要的模組，序列中的每個token都能夠關注到其他所有token，從而讓模型具有捕捉長距離依賴關係的能力。

模型會把處理後的資訊分解成三個部分：查詢（q，query）、鍵（k，key）和值（v，value），可以輔助確定哪些資訊是重要的，以及資訊之間是如何相互關聯的。

為了確保模型能夠理解每個詞在序列中的位置，模型中通常還會在query和key向量之間加入旋轉位置嵌入（Rotary Position Embeddings，RoPE）。

然後透過計算query向量和key向量的點積、縮放、應用softmax得到注意力權重，對value向量進行加權求和，得到注意力得分。

在實踐中，Transformer一般都會用到多個注意力頭，其中每個頭的注意力機制都是獨立計算，最後再透過一個可學習的投影矩陣Wo合併所有頭輸出。

在計算注意力得分的過程中，權重矩陣沒有受到太多限制，可能會導致最終得分過大或過小。

在nGPT中，研究人員對q向量和k向量進行歸一化，還引入了一些可調整的引數（sqk），以確保權重矩陣在處理位置資訊時不會失真，更準確地捕捉到句子中詞與詞之間的關係，從而做出更好的預測和決策。

MLP塊

在標準Transformer中，隱藏層收入透過RMSNorm進行歸一化，然後經過兩個線性投影生成中間向量（暫不考慮偏置項）：

然後使用SwiGLU 門控啟用函式，以及一個線性變換得到最終門控啟用。

在nGPT中，研究人員提出對線性投影的權重矩陣進行歸一化，並引入可學習的縮放因子，能夠更充分地利用處理資訊時的非線性特性，在處理複雜資訊時更加靈活。

多層感知機模組的輸出不會因為縮放調整而發生變化。

Adam高效學習率

Adam最佳化演算法透過動量和梯度幅度的估計來調整每次的學習步長，同時考慮了當前及過去的梯度資訊。

在nGPT中，研究人員同樣引入了一個可訓練的縮放引數向量，對特定的引數進行更精細的控制，確保每個引數都能以最適合自己的速度進行學習，從而進一步提高學習效率。

在不影響全域性學習率的情況下，對特定的引數進行調整，提供了更大的靈活性和控制力。

變化總結

和基礎Transformer相比，nGPT主要做了七個改變：

1、移除所有歸一化層，比如RMSNorm或LayerNorm；

2、在每個訓練步驟之後，沿著嵌入維度對所有矩陣，包括輸入輸出嵌入矩陣，以及各種權重矩陣進行歸一化處理；

3、修改了隱藏層引數更新方程；

4、調整注意力機制中的softmax縮放因子，對q和k進行重新縮放和歸一化；

5、對MLP塊的中間狀態進行重新縮放；

6、對logits進行重新縮放；

7、移除權重衰減和學習率預熱步驟。

上下文越長，訓練速度越快

接下來，研究人員在OpenWebText資料集上訓練了基礎基礎Transformer（GPT）和歸一化Transformer（nGPT），並在一系列標準下游任務上對其進行評估。

實驗中，使用了0.5B和1B（包括嵌入）兩種引數規模的模型。兩種引數規模的模型0.5B和1B（包含嵌入）。

訓練加速

圖1顯示了，在訓練過程中，10億引數且樣本長度為4k token的GPT和nGPT模型的驗證損失。

經過2萬次迭代後，nGPT達到了與GPT在20萬次迭代（約4000億個token）後，才能達到的相同驗證損失。

這表明，在迭代次數和使用token數量方面，nGPT實現了10倍的加速。

再來看圖2，展示了nGPT和GPT在三個方面的效能差距是如何變化的：總token數量、上下文長度、引數規模。

在1k、4k和8k token上下文中，訓練0.5B和1B的nGPT模型分別約快4倍、10倍和20倍。

圖3在下游任務中顯示了類似的效能，證實加速不僅反映在困惑度上，也反映在任務表現上。

研究人員觀察到，對於較長的訓練執行，nGPT顯示出一些飽和現象，這暗示在當前可訓練引數數量下，模型容量可能已接近極限。

神經網路引數檢查

圖4顯示，雖然nGPT保持固定的嵌入範數（這是設計使然），但GPT表現出明顯的變化。

從嵌入的協方差矩陣計算得出的特徵值分佈（已經由其中位數歸一化）顯示，GPT的輸入嵌入具有更高的條件數，尤其是在1B模型中。

嵌入之間的成對點積分佈表明，即使在nGPT中，嵌入也並非均勻分佈在超球面上（在那裡點積會接近0），而是形成簇——這可能反映了語言資料中的自然模式。

由於GPT的嵌入形成了一個超橢球體（hyper-ellipsoid)，如向量範數的分佈所示，其點積往往具有更高的值。

GPT輸入嵌入的病態性質（ill-conditioned nature）可能導致涉及這些嵌入的計算問題。

下圖5展示了，注意力和MLP矩陣在不同層深度上的中位數條件數（跨多個頭）——0.5B模型有24層，1B模型有36層。

與nGPT相比，GPT模型的注意力矩陣呈現顯著更高的條件數。

對這些矩陣的進一步檢查，GPT的注意力矩陣表現出退化為低秩矩陣的趨勢，可能減少了這些塊的學習容量。

下圖6展示了，（左圖）注意力模組和MLP模組的特徵學習率，（中圖）應用於MLP中間狀態的縮放因子，（右圖）應用於QK點積之前的縮放因子。