谷歌首次展示新版語言模型BERT，參數達4810億個

MLPerf 訓練是一個完整的系統基準測試，用于測試機器學習模型、軟硬件等。上一輪 MLPerf 訓練基準（v1.0）發布于 5 個月前，與之相比，本次最佳基準測試結果提高了 2.3 倍，在軟硬件和系統規模方面都有了實質性的改進。

MLPerf 訓練基準的內容由封閉式和開放式兩個部分組成。開放式區別于封閉式的地方是，開放式的參與者可以提交各種模型，而封閉式為確保一個相對公平的競爭環境，只允許提交相同的參考模型。

值得一提的是，谷歌在本次基準測試的開放式部分提交了之前從未公開過的新版 BERT 自然語言程序。

新的 BERT 程序規模比通行的 BERT 標準版本大了 3 個數量級，神經網絡參數達到 4810 億個，而標準版 BERT 只有 3.4 億個參數。更多的參數通常意味著需要更多的計算能力。

據了解，為了得到更大的 BERT 模型，谷歌使用的計算機搭載了 2048 個 TPU（Tensor Processing Unit）芯片。與英偉達的 GPU 不同，TPU 是谷歌針對機器學習專門定制的芯片。此“2048-TPU 系統”目前可以通過谷歌云服務獲得。
谷歌表示，這一新穎的語言模型反映了 AI 規模日益增長的重要性。

谷歌還說，其能夠以 63% 的效率運行龐大的 BERT 模型，這比英偉達和微軟共同開發的 Megatron-Turing 語言模型 52% 的效率要好。該效率是通過相對于理論容量每秒執行的浮點運算數量來衡量的。

構建越大的 AI 深度學習程序，越需要使用更多的 GPU 芯片或新型加速器芯片。研究人員認為，程序的準確性隨著 AI 規模的增加而增加。

谷歌機器學習基礎設施負責人阿魯沙·塞爾萬（Aarush Selvan）說：“我們一直在確保向 MLPerf 提交的文件與自身內部需求以及機器學習行業的需求完全一致。培訓 AI 大模型在谷歌內部變得越來越重要。其是我們研究和生產的一大重點，也是我們的云客戶所關注的重點?！?br />
塞爾萬還說道，AI 大模型有著成百上千億個，甚至超過萬億的參數。在 MLPerf 競賽中有某種大型基準是非常有好處的，MLCommons 應該考慮更多的大模型來衡量大規模培訓的表現，像 ResNet-50 這樣較老、較小的網絡“只能給我們提供一個代理”。

MLCommons 的執行董事大衛·坎特（David Kanter）對此表示，大模型的建立需要所有成員共同決定。他同時指出，使用小型神經網絡作為測試，能夠讓更多的成員參與競爭。這有助于為整個社區生產更多有價值的工程產品，并幫助推動行業不斷向前發展。

“基準的關鍵是要公平和有代表性，而且也得考慮到經營者的承受能力，不能讓其破產。從理論上講，我們可以把 GPT-3 作為 MLPerf 基準，但培訓 GPT-3 相當昂貴，需要數千萬美元。”坎特補充說。據悉，GPT-3 是 OpenAI 在 2020 年推出的有著 1750 億參數的自然語言模型。

此外，MLPerf 標準測試的代碼對每個人都是開放的，任何 AI 研究人員都可以復制測試結果進行重新驗證。

谷歌今年早些時候在高度并行化神經網絡方面做了一定研究，其中概述的設計與本次展示的巨型 BERT 模型類似。該公司認為，巨型 BERT 模型經過訓練，可以產生更具準確性的結果。

在封閉式部分測試中，谷歌使用了較小的 BERT 模型。同時，為了達到與其他供應商在封閉式部分相同的準確性，谷歌還使用了較少的文本數據樣本。封閉式部分要求一個程序訓練近 5 億個令牌序列，每個序列的長度大多為 128 個令牌。谷歌的程序只使用了大約 2000 萬個令牌序列，每個序列長度為 512 個令牌。

塞爾萬說，谷歌打算在未來繼續提交 MLPerf 的封閉式部分基準?！懊髂昊蛟S將看到所有人回到封閉式賽區，雖然不能保證，但我們計劃那樣做?！彼f。
整體來看，MLPerf 訓練基準（v1.1）的結果進一步推動了 MLCommons 的目標，即通過比較機器學習系統、軟件和解決方案，提供基準和指標，使行業競爭環境更加公平。

“通過對體系結構、系統規模、軟件、模型劃分等方面的優化，”坎特說，“供應商正設法加速神經網絡的性能，其速度比摩爾定律的歷史軌跡快 11 倍。”

據了解，本次的基準測試共有 14 個組織參與，包括微軟 Azure、百度、戴爾、富士通、技嘉、谷歌、Graphcore、HabanaLabs、HPE、浪潮、聯想、英偉達、三星和超微，發布的同行評審結果數量超過 185 個。

MLCommons 與其合作伙伴，包括全球技術提供商、學者和研究人員，通過各種方式為整個機器學習行業構建工具。

“回顧 2018 年的第一輪 MLPerf 訓練，我們一些基準的性能提高了 30 倍，”坎特說，“這種性能的快速增長將激發出新的機器學習創新，最終使社會受益?！?/span>
-End-
參考：
https://www.zdnet.com/article/google-uses-mlperf-competition-to-showcase-performance-on-gigantic-version-of-bert-language-model/
https://mlcommons.org/en/news/mlperf-training-v11/