五种资源类别，如何提高大语言模型的资源效率，超详细综述来了

2024-01-14 04:01

机器之心专栏

机器之心编辑部

本综述深入探讨了大型语言模型的资源高效化问题。

近年来，大型语言模型（LLM）如 OpenAI 的 GPT-3 在人工智能领域取得了显著进展。这些模型，具有庞大的参数量（例如 1750 亿个参数），在复杂度和能力上实现了飞跃。随着 LLM 的发展趋势朝着不断增大的模型规模前进，这些模型在从智能聊天机器人到复杂数据分析，乃至于多领域研究中的应用越发广泛。然而，模型规模的指数级增长带来了巨大的资源需求，尤其是在计算、能源和内存等方面。

这些资源的巨大需求使得训练或部署这样庞大的模型成本高昂，尤其是在资源受限的环境（如学术实验室或医疗领域）中更是如此。此外，由于训练这些模型需要大量的 GPU 使用，因此它们的环境影响也成为日益关注的问题，尤其是在电力消耗和碳排放方面。如何在资源有限的环境中有效部署和应用这些模型成为了一个紧迫的问题。

来自 Emory University，University of Virginia 和 Penn State University 的研究团队通过全面梳理和分析了当前 LLM 领域的最新研究，系统地总结了提高模型资源效率的多种技术，并对未来的研究方向进行了深入探讨。这些工作不仅涵盖了 LLM 的全生命周期（预训练、微调、提示等），还包括了多种资源优化方法的分类和比较，以及对评估指标和数据集的标准化。本综述旨在为学者和实践者提供一个清晰的指导框架，帮助他们在资源有限的环境中有效地开发和部署大型语言模型。

论文链接：https://arxiv.org/pdf/2401.00625

一、引言

资源高效的 LLM 需要理解 LLM 生命周期中涉及的关键资源。在这项综述中，作者将这些资源系统地归类为五个主要类别：计算、内存、能源、资金和通信成本。高效性在这里被定义为投入资源与产出的比例，一个更高效的系统能够在消耗更少资源的同时产生相同水平的输出。因此，一个资源高效的 LLM 旨在在所有这些维度上最大化性能和能力，同时最小化资源开销，从而实现更可持续和更易获取的 AI 解决方案。

资源效率在 LLM 中是一个至关重要且复杂的领域，它需要创新的解决方案来应对显著的挑战。这些挑战一共包括五个层面：

模型层面：自回归生成的低并行性导致了显著的延迟问题，这在大型模型或长输入长度下尤其突出，影响训练和推理的高效处理。此外，自注意力层的二次复杂性随着输入长度的增加而显著增加，成为计算瓶颈。
理论层面：缩放法则和收益递减指出，随着模型变大，每增加一个参数所带来的性能提升在减小。此外，理论上关于机器学习中的泛化和过拟合也对 LLM 的资源效率提出了挑战。
系统层面：考虑到 LLM 的庞大模型大小和训练数据集，将它们全部放入单个 GPU/TPU 的内存中变得不可行。因此，为 LLM 优化训练过程的复杂系统设计变得至关重要。
伦理层面：许多 LLM 依赖于大型且专有的训练数据集，这限制了提高效率的某些技术的应用。此外，许多先进的 LLM 是封闭源的，这意味着在缺乏对模型内部工作的深入了解的情况下提高效率变得更加复杂。
评价指标层面：LLM 的多样化和复杂性使得开发全面的资源效率评价指标面临独特挑战。与优化较小模型的一两种资源相比，LLM 呈现出多目标问题，要求在多个关键资源上同时进行优化。

为了应对上述挑战，该综述提供了以下贡献：

资源高效 LLM 技术的全面概述：对增强 LLM 资源效率的技术进行了全面的概述，涵盖了 LLM 整个生命周期的各种方法和策略。
技术按资源类型的系统分类和分类法：建立了一个系统的分类和分类法，根据它们优化的资源类型对资源高效的 LLM 技术进行组织。
评估指标和数据集的标准化：提出了一套专门用于评估 LLM 资源效率的评估指标和数据集的标准化。
识别差距和未来研究方向：对当前在创造资源高效 LLM 方面的瓶颈和未解决的挑战进行了深入探讨，并指出了未来研究的潜在途径。

二、资源高效大型语言模型的全新分类法

该综述提出了一个全面的分类法，以系统地理解和优化大型语言模型（LLM）中涉及的关键资源。这个分类法包括五个关键领域：计算、内存、能源、资金和网络通信，每个领域都针对资源利用的不同方面：

1. 资源分类

计算：涉及训练、微调和执行 LLM 所需的处理能力。计算效率的评估包括考虑操作数量（如浮点操作）、算法效率和处理单元（如 GPU 或 TPU）的利用。
内存：内存效率涉及所需的 RAM 和存储量。尤其是拥有数十亿参数的 LLM，需要大量内存来存储模型权重和处理大型数据集。
能源：指模型生命周期中消耗的电力。考虑到环境影响和运营成本，能源效率至关重要。这包括减少能耗的策略，如优化硬件利用、使用节能硬件等。
资金：财务资源是一个关键考虑因素，尤其对于小型组织和研究者。这包括硬件采购成本、运行模型的电费和潜在的云计算费用。
网络通信：在分布式训练和基于云的部署中，网络带宽和延迟变得重要。高效的网络通信意味着减少在分布式系统节点之间或云端与用户之间传输的数据量，这对训练时间和实时应用的响应性有重大影响。

2. 技术分类

此外，该综述还引入了一个结构化的分类法，将提升 LLM 资源效率的技术分为明确、定义清晰的层级。其中包括五个主要类别：架构设计、预训练、微调、推理和系统设计。每个类别都在高效 LLM 开发和部署的生命周期中扮演着不可或缺的角色。

架构设计：检查 LLM 的结构基础，分为基于 Transformer 和非 Transformer 架构。
预训练：审视 LLM 开发的初步阶段，包括内存效率和数据效率。
微调：针对预训练模型的优化，分为参数高效微调和全参数微调。
推理：在操作阶段，采用各种策略，如模型压缩和动态加速。
系统设计：关注系统层面的考虑，包括部署优化和支持基础设施等。

这个分类法旨在提供对多样化方法和策略的结构化和细致理解。这些方法和策略用于提升 LLM 的效率和加速，为当前研究领域提供了一个全面的视角。

三、方法论

1. 大型语言模型架构设计的新进展

该综述重点探讨了大型语言模型（LLM）的两大架构设计方向：高效的 Transformer 结构和非 Transformer 架构。

高效的 Transformer 结构：这一类别包括了通过创新技术优化 Transformer 模型的架构，旨在降低计算和内存需求。例如，Reformer 通过局部敏感哈希技术来改进注意力机制，而 Linear Transformer 则利用线性映射来减少计算复杂度。AFT 和 KDEFormer 等其他方法则通过不同方式实现时间和内存效率的大幅提升。
非 Transformer 架构：这一类别探索了替代 Transformer 的新型架构。例如，模块化网络（MoE）技术通过结合多个专业化模型来处理复杂任务，Switch Transformer 和 GLaM 等则利用稀疏路由技术在增加模型参数的同时保持效率。另外，像 RWKV 这样的架构则结合了 Transformer 的训练效率和 RNN 的推理效率。

这些创新方向不仅优化了 LLM 的资源效率，也推动了语言模型技术的整体发展。

2. 大型语言模型预训练：效率与创新

该综述探索了 GPT-4 等大型语言模型（LLM）的高效预训练策略，这些策略不仅注重速度，还着眼于计算资源的最优利用和创新的数据管理。

内存效率

分布式训练：将模型训练任务分配给多个节点，以加速训练过程。数据并行（DP）和模型并行（MP）是两种主要的策略。DP 通过将初始数据集分割并由多个加速器并行训练，而 MP 则将模型的层或张量分布到多个加速器上。
混合精度训练：这种技术通过同时使用 16 位和 32 位浮点类型来加速深度学习模型的训练，特别适用于大型语言模型的训练。

数据效率

重要性采样：这种方法通过优先处理信息丰富的训练实例来提高模型的数据效率。
数据增强：通过创建现有数据的修改副本，使当前数据得到充分利用。
训练目标：预训练目标的选择是决定数据效率的另一个因素。这通常涉及模型架构、输入 / 目标构建和遮蔽策略的设计。

通过这些策略，综述旨在展示如何以资源高效的方式预训练大型语言模型，不仅加速了训练过程，还确保了先进 LLM 的可持续和成本效益发展。

3. 大型语言模型微调：平衡性能与资源

该综述探讨了 GPT-4 等大型语言模型在特定任务上的微调策略。这些策略旨在在实现任务特定性能和维持资源效率之间找到平衡点。

参数高效微调

基于遮蔽的微调：仅更新模型参数的子集，其他参数在反向传播过程中被「冻结」或遮蔽。
基于适配器的微调：在预训练模型的现有层之间插入额外的轻量级层（适配器）。在微调期间，只更新这些适配器层的参数，而原始模型参数保持固定。

全参数微调：与参数高效微调不同，全参数微调涉及修改所有参数。尽管训练成本更高，但通常可以获得比参数高效方法更好的性能。然而，这种方法在简单数据集上可能并不总是有效，且在训练成本和 GPU 内存消耗方面也面临挑战。

通过这些策略，综述旨在展示如何在保证大型语言模型性能优化和资源限制之间达到平衡的微调方法。

4. 大型语言模型推断：追求效率与质量

该综述探讨了如 GPT 系列的大型语言模型在推断阶段的优化技术，重点是减少计算负载和内存使用，同时保持高质量输出。

模型压缩

剪枝：通过移除模型中的特定参数来降低复杂度。包括结构化剪枝（针对整体结构，如神经元或通道）和非结构化剪枝（针对单个权重或连接）。
量化：将模型中的浮点数转换为较少位数的表示（如整数），旨在减少模型存储需求和加快计算速度。
知识蒸馏：将大型模型的知识转移到更紧凑的网络中，以减少推断延迟并增强特定任务解决能力。

动态加速

早期退出：根据某些标准提前终止模型的某些层的计算，用于简化输入样本的处理。
输入裁剪：动态减少输入序列长度，根据内容来分配不同的计算资源给不同的输入标记。
标记并行：利用技术如推测执行来并行生成多个标记，而非传统的顺序方式。

通过这些策略，综述旨在展示如何在实际应用中高效部署大型语言模型，同时考虑资源限制和性能需求。

5. 大型语言模型的系统设计：优化与应用

该综述探讨了如 GPT 系列的大型语言模型在系统设计方面的关键策略，特别是在资源受限环境中的高效推断。

部署优化

硬件卸载：通过将临时不需要的数据从快速加速器转移到更慢但更大的主、辅存储（如 CPU 内存和磁盘）中，优化大型 LLM 的运行效率。有效的卸载策略对整体系统效率至关重要。
协作推断：多个用户或系统合作完成 LLM 的推断任务，每个参与者贡献自己的资源，如计算能力或数据，以克服个体用户或系统的限制，实现更高效、准确的推断。

支持基础设施

库：介绍了几个著名的大型语言模型框架，如 DeepSpeed、Megatron-LM、Colossal-AI、Mesh-TensorFlow 和 GPT-NeoX，它们为大规模分布式训练提供多级并行策略。
边缘设备：探索在边缘设备上部署 LLM 的研究趋势，这些设备通常具有有限的计算资源。例如，通过低秩适应和噪声对比估计等技术来降低 LLM 在边缘设备上的内存需求。

其他系统

Tabi：提出了一个多级推断引擎的推断系统，通过使用多个 DNN 处理任务中的异构查询来减少 LLM 的推断延迟。
近重复序列搜索：利用最小哈希技术来提高 LLM 的近重复序列搜索的效率和可扩展性。

通过这些策略，综述旨在展示大型语言模型在各种部署场景中的系统设计如何实现效率和可扩展性的最大化。

四、大型语言模型资源效率技术分类总结

该综述探讨了应用于大型语言模型（LLM）以提升其在不同资源上的效率的多种技术。这些资源包括计算、内存、能源、财务成本和网络通信。每项技术在优化 LLM 资源效率方面扮演着重要角色。

计算效率

直接影响：包括具有近似和硬件感知注意力机制的变换器架构，通过简化计算密集的注意力计算来加速过程；非结构化、结构化和上下文剪枝，通过移除不重要的权重或神经元来减少冗余计算。
间接影响：数据并行和参数高效微调，通过分布式工作负载和减少参数更新分别间接提高计算效率。

内存效率

直接影响：剪枝和量化通过减少模型大小来显著节约内存；知识蒸馏通过训练较小的模型来模仿较大的模型。
间接影响：分布式训练，如数据和模型并行，有效管理多设备间的内存使用，减轻单个设备的负担。

能源效率

直接影响：结构化剪枝和量化通过减少操作数量和数据大小，降低训练和推断的能源消耗；上下文剪枝通过最小化不必要的计算来节省能源。
间接影响：近似注意力机制等主要面向计算效率的技术，由于减少了计算负载，间接促进能源节省。

财务成本效率

间接影响：数据效率方法，如优化的训练目标和数据增强，通过提高数据使用效果，可能缩短训练时间，减少计算资源使用；动态推断技术，如早期退出和输入裁剪，通过减少推断阶段的运算需求，降低整体部署成本。

网络通信效率

直接影响：混合精度训练通过减少处理器间需要通信的数据大小，直接影响数据传输效率；权重量化通过最小化通信过程中的数据负载。
间接影响：协作推断通过优化数据传输和处理来提高网络通信效率。

通过这些策略，该综述旨在展示如何通过多种技术提高大型语言模型在各种资源上的效率。详细的技术与资源的对应关系可见下表。

五、大型语言模型评估数据集和指标

该综述详细分析了评估大型语言模型（LLM）资源效率的多元化指标，这些指标为全面理解 LLM 的资源效率提供了关键指导。

计算效率指标

FLOPs：浮点运算次数，量化计算效率。
训练时间：训练 LLM 所需的总时间，反映了模型复杂性。
推断时间 / 延迟：LLM 生成输出所需的时间，关键评估实际应用中的实用性。
吞吐量：LLM 处理请求的效率，以每秒生成的标记或完成任务的速度衡量。
加速比：与基准模型相比推断速度的改善程度。
内存效率指标
参数数量：LLM 神经网络中可调变量的数量。
模型大小：存储整个模型所需的存储空间。

能源效率指标

能源消耗：以瓦时或焦耳表示，反映 LLM 生命周期中的电力使用。
碳排放：与模型能源使用相关的温室气体排放量。

财务成本效率指标

每参数成本：训练（或运行）LLM 的总成本除以参数数量的比值。

网络通信效率指标

通信量：在特定 LLM 执行或训练过程中网络间传输的数据总量。

其他指标

压缩比：压缩模型与原始模型大小的比例。
忠诚度和保真度：衡量教师和学生模型之间预测一致性和预测概率分布对齐程度。
鲁棒性：衡量 LLM 对攻击后性能和查询次数。
帕累托最优性：在不同竞争因素间取得的最佳平衡。

数据集和基准测试

Dynaboard：动态基准，评估内存使用、吞吐量、公平性和鲁棒性等指标。
EfficientQA：聚焦建立准确、内存高效的开放领域问答系统。
SustaiNLP 2020：挑战参与者开发能源高效的 NLP 模型。
ELUE 和 VLUE：专注于评估 NLP 和视觉语言模型的效率和性能。
Long-Range Arena：专为评估长内容任务上高效 Transformer 模型而设计。
Efficiency-aware MS MARCO：在 MS MARCO 信息检索基准测试中增加了效率指标。

通过这些策略，该综述旨在提供一种全面评估大型语言模型资源效率的方法论。

六、大型语言模型的未来挑战和研究方向

随着大型语言模型（LLM）领域的不断进步，我们面临着多种开放性挑战，这些挑战为未来的研究方向提供了丰富的机遇。

处理资源类型的冲突：不同优化技术之间存在性能指标的权衡，如计算效率与模型参数数量的矛盾。关键挑战在于开发全面优化策略，平衡计算效率、参数计数和内存使用等多个目标。

资源效率技术的综合：有效整合多种 LLM 优化方法以增强总体资源效率是一个显著挑战。目前缺乏对这些方法如何协同作用的研究，需要系统地结合不同策略，以显著提高模型效率。

标准化和统一评估：当前缺乏专门评估 LLM 资源效率的统一标准基准。这导致无法全面一致地评估各种 LLM 在资源利用方面的表现，迫切需要专注于资源效率的标准化基准。

可解释性和鲁棒性：在追求效率的同时，也需关注 LLM 的可解释性和鲁棒性。开发既优化资源使用又保持透明度和弹性的方法，确保这些模型在不同部署场景中可靠且易于理解。

自动化机器学习（AutoML）在资源高效 LLM 中的应用：将 AutoML 集成到资源高效 LLM 的开发中是一个新兴领域。通过应用 Meta-Learning 和神经架构搜索（NAS），自动化模型优化的部分，有望减少手动超参数调整和定制模型设计的需求。

边缘计算中的 LLM：在边缘计算环境中部署 LLM 面临独特挑战，如设备的计算能力和内存资源限制。需要开发既资源高效又考虑隐私问题的 LLM 技术，以适应边缘计算场景。

理论洞察 LLM 的扩展规律：深入理解 LLM 性能如何随其规模和复杂性扩展是一个关键且未被充分探索的领域。这种理解对于开发不仅专注于模型压缩，而是针对提高 LLM 整体资源效率的方法至关重要。

七、结论

本综述深入探讨了大型语言模型（LLM）的资源效率问题，分析了当前的研究成果和挑战，并展望了未来的发展方向。它还讨论了 LLM 在计算、内存、能源、财务成本和网络通信等关键资源方面的高效技术，以及这些技术如何相互作用以提高整体效率。通过对比各种技术，综述揭示了它们在不同应用环境中的潜力和限制。

作者还强调了在资源效率评估中建立标准化和统一的评价体系的重要性。这不仅有助于更准确地比较不同 LLM 的性能，也为进一步的研究和开发提供了坚实的基础。

最后，综述探讨了 LLM 领域面临的一系列开放性挑战和潜在的研究方向，包括管理资源类型的冲突、综合资源效率技术、可解释性和鲁棒性、AutoML 的集成以及在边缘计算环境中部署 LLM。这些挑战提供了未来研究的丰富机遇，对于推动 LLM 向更高效、更可靠和更可持续的方向发展至关重要。

本综述为理解和优化 LLM 的资源效率提供了全面的视角，为未来在这一重要领域的研究提供了指导和灵感。

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章