订阅
纠错
加入自媒体

用大规模机器学习训练集群提升效率,亚马逊云科技正在成为机器学习的伊甸园

2021-12-29 17:19
趣味科技
关注

本文为re:Invent 2021亮点解读的第二部分,关于机器学习的部分,此前介绍了关于Graviton的内容,后续还有关于存储的部分,欢迎关注。

正文:

人工智能和机器学习被许多企业视为提升竞争力的关键技术,企业的顾虑主要在成本上,一方面是直接需要投入的算力资源和人员资源成本,另一部分是时间成本,随着机器学习模型的加速膨胀,问题越来越突出。

众所周知,GPU显卡的价格很高,构建GPU服务器训练集群的成本也会高,云计算可以非常便捷地让用户快速享用到庞大的计算资源,高速网络以及大容量存储资源,即使是面对规模最大的模型,也能快速完成训练任务,从容应对。

所以,云计算很适合用来承载机器学习负载,就凭这点,我们可以认为未来更多机器学习的负载会放到云上。

用芯片层面的创新降低成本

此前,亚马逊云科技发布了第一款机器学习芯片叫Amazon Inferentia,顾名思义,是做推理的,实际应用中推理的工作负载量是非常大的,Amazon Inferentia芯片的性能和吞吐量都能满足实际要求,而且,Inf1实例的成本比基于GPU的方案要低很多。

虽然推理的负载多,但一般企业也经常遇到训练任务,机器学习的训练环节经常需要用到昂贵的GPU,所以训练的成本通常会很高。

为了降低成本,亚马逊云科技发布了Amazon Trainium芯片,据说采用该芯片的Trn1实例(或者说集群)可以提供云端速度最快,成本最低的训练服务。

Trn1实例,有13.1TB/s的最大内存带宽,3.4 PFLOPS的算力,FP32的TFlops高达840,时钟频率为4GHz,含有550亿个晶体管。

实际应用起来如何呢?

亚马逊云科技提供的信息显示,在训练深度学习模型时,采用Amazon Trainium芯片的Trn1实例的成本,要比采用英伟达A100的P4d实例最多低出40%,而且速度最多能快50%。

一句话总结Amazon Trainium的特点,兼具GPU的灵活性和专用加速器的效率。

之所以大家喜欢用GPU做训练,主要是因为GPU除了性能高,而且灵活性也非常高,专用的加速器虽然效率很高,但灵活性较差。

为了避免灵活性上的问题,Amazon Trainium内置了16个专用的可编程数据处理器,支持各种机器学习框架,以提供更好的灵活性。所以,它比专用的加速器更灵活。

与GPU相比,Amazon Trainium采用了一种新的运算模式,避免了GPU需要频繁与内存交换数据的麻烦,在芯片内完成训练。Peter没介绍太多细节,但是感觉这一说法跟此前了解过的存算一体化的思路有异曲同工之妙,有机会我再学习一下。

用大规模机器学习训练集群提升效率

从P3、P3dn再到P4d、Trn1,内存容量和网络性能不断提升

为了提升机器学习训练的效率,机器学习加速器的内存不断加大,网络带宽也在不断提升。

Trn1实例提供800Gbps EFA网络带宽,它比P4d快一倍,网络性能更强的Trn1n比Trn1又快了一倍,达到1600Gbps。

用户可以启动具有EC2 UltraClusters功能的Trn1实例,EC2 UltraClusters可以让训练扩展到多个用高速网络互连的Trainium芯片,从而实现分布式并行训练。

这不仅意味着用户可以快速获得超算级性能,而且,让用户训练大型复杂模型的时间大大缩短,成本也大量节省。

【用两周时间训练GPT-3所需的实例数,从600个缩减到了96个】

亚马逊云科技大中华区产品部计算与存储总监周舸的介绍中了解到,更高的网络性能意味着更低的网络开销,而更低的网络开销意味着能将模型的训练过程交给更大规模的集群上来完成。

熟悉机器学习训练的朋友都了解,以前许多训练都是在单机上完成的,而分布式并行训练的技术难点是如何将用于训练的数据和训练的负载进行拆分和组合,技术实现很难,一旦实现则意味着集群能化解大型机器学习模型的训练难度。

【模型复杂度急剧增长】

以GPT-3,GPT-4为代表的巨型机器学习模型让我们意识到,理论上机器学习模型参数的数量是没有上限的,而算力增速是有限的,在这一趋势下,云计算上构建的机器学习训练集群的优势就非常明显了。

灵活多样的选择

当然,Amazon SageMaker的创新也很重要,比如图形化的自动化机器学习服务——Amazon SageMaker Canvas让云上机器学习的使用体验得以提升,让机器学习的普及和普惠成为可能。

我可不是乱说,我亲手试过的,即使是什么都不懂的小白也能上手机器学习。十分钟,小白的我用亚马逊云服务(AWS)的SageMaker训练了一个ML模型、Amazon Personalize:不用写代码也能开发个性化推荐系统。

而大规模集群给了云上机器学习的绝对优势,将云计算分布式架构的弹性优势释放的淋漓尽致,未来会有更多机器学习负载迁移到公有云上。

当然,在机器学习方面,亚马逊云科技自研的训练和推理芯片也并非要取代英伟达和英特尔方案,用户可以根据实际应用环境的不同,比如编译器、模型、机器学习框架不同选择更适合的方案,多种选择的加持下,共同将亚马逊云科技打造成适合做机器学习的云平台

本文为re:Invent 2021亮点解读的第二部分,关于机器学习的部分,此前介绍了关于Graviton的内容,后续还有关于存储的部分,欢迎继续关注。

声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

云计算 猎头职位 更多
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号