网页设计叫什么,seowhy,安全教育平台,天津做网站设计公司欢迎关注我的CSDN#xff1a;https://spike.blog.csdn.net/ 本文地址#xff1a;https://spike.blog.csdn.net/article/details/145185794 Scaling Laws (缩放法则) 是大模型领域中#xff0c;用于描述 模型性能(Loss) 与 模型规模N、数据量D、计算资源C 之间关系的经验规律… 欢迎关注我的CSDNhttps://spike.blog.csdn.net/ 本文地址https://spike.blog.csdn.net/article/details/145185794 Scaling Laws (缩放法则) 是大模型领域中用于描述 模型性能(Loss) 与 模型规模N、数据量D、计算资源C 之间关系的经验规律揭示在大模型中随着模型参数数量、数据集大小和计算资源的增加模型性能的变化模式指导更高效地分配资源优化模型训练过程实现更好的性能。这些规律不仅有助于预测不同规模模型的表现还能为模型设计和训练提供理论依据是推动大模型发展和应用的重要理论基础。
Paper: Scaling Laws for Neural Language Models其他参考计算 大语言模型(多模态) 的参数量
系列文章
大模型 ScallingLaws 的 C6ND 公式推导大模型 ScallingLaws 的 CLM 和 MLM 中不同系数大模型 ScallingLaws 的迁移学习与混合训练
对于 Decoder-Only 模型计算量 C C C (Flops)、模型参数量 N数据大小 D D D (Tokens)三者近似满足 C ≈ 6 N D C \approx 6ND C≈6ND 。
1. 模型参数量 (N)
假设 Decoder 堆叠层数是 l l lAttention 隐藏层维度是 d d dFeedForward 维度是 4 d 4d 4d其中忽略 Embedding、Norm 和 Bias。
Transformer 的每 1 层包括 Self-Attention 和 MLP 等 2 个部分
Self-Attention 的 参数量包括 W Q , W K , W V , W O W_{Q},W_{K},W_{V},W_{O} WQ,WK,WV,WO 等 4个部分维度均是 R d × d \mathbb{R}^{d \times d} Rd×d整体参数量是 4 d 2 4d^2 4d2 (暂时忽略 MQA)MLP 的参数量只包括 W u p , W d o w n W_{up},W_{down} Wup,Wdown维度均是 R d × 4 d \mathbb{R}^{d \times 4d} Rd×4d整体参数量 2 ∗ 4 ∗ d 2 8 d 2 2*4*d^{2}8d^{2} 2∗4∗d28d2(暂时忽略 W g a t e W_{gate} Wgate)全部层数 l l l 参数量即 12 l d 2 12ld^{2} 12ld2
2. 模型计算量 (C)
模型的前向推理的计算量: 计算量的单位是 FLOPs (Floating Point Operations)对于矩阵 A ∈ R m × n , B ∈ R n × p A \in \mathbb{R}^{m \times n},B \in \mathbb{R}^{n \times p} A∈Rm×n,B∈Rn×p A B AB AB相乘的计算量为 2 m n p 2mnp 2mnp计算每个元素 c i , j c_{i,j} ci,j 包括 1 次加法 1 次乘法即每个点积运算都有 n n n 次 乘法和 n − 1 n-1 n−1 次加法即 2 × m n p 2 \times mnp 2×mnp 。 模型的反向推理的计算量是前向推理的 2 倍即: 前向只需要结果往后传递反向除了需要梯度往前传递还需要计算当前参数 W W W 的梯度更新当前的参数 W W W因此计算量是 2 倍。 Decoder 的输入是 X ∈ R b × s × d X \in \mathbb{R}^{b \times s \times d} X∈Rb×s×d其中 b b b 是 batch size s s s 是序列长度 d d d 是模型维度。
其中 Self-Attention 的 计算量
输入层计算 Q X W Q , K X W K , V X W V QXW_{Q},KXW_{K},VXW_{V} QXWQ,KXWK,VXWV即 3 × b × ( 2 × s × d × d ) 6 b s d 2 3 \times b \times (2 \times s \times d \times d) 6bsd^{2} 3×b×(2×s×d×d)6bsd2Attention 计算 Score A Q K ⊤ AQK^{\top} AQK⊤ 使用 bmm (批次矩阵乘法)batch size 不变计算过程是 b × R s × d × R d × s b × R s × s b \times \mathbb{R}^{s \times d} \times \mathbb{R}^{d \times s} b \times \mathbb{R}^{s \times s} b×Rs×d×Rd×sb×Rs×s计算量即 b × ( 2 × s × d × s ) 2 b s 2 d b \times (2 \times s \times d \times s) 2bs^{2}d b×(2×s×d×s)2bs2dScore 与 V 计算 X ′ A V X^{}AV X′AV计算过程是 b × R s × s × R s × d b × R s × d b \times \mathbb{R}^{s \times s} \times \mathbb{R}^{s \times d} b \times \mathbb{R}^{s \times d} b×Rs×s×Rs×db×Rs×d计算量即 b × ( 2 × s × s × d ) 2 b s 2 d b \times (2 \times s \times s \times d)2bs^{2}d b×(2×s×s×d)2bs2d输出层计算 X ′ W O X^{}W_{O} X′WO计算过程是 b × R s × d × R d × d b × R s × d b \times \mathbb{R}^{s \times d} \times \mathbb{R}^{d \times d} b \times \mathbb{R}^{s \times d} b×Rs×d×Rd×db×Rs×d计算量即 b × ( 2 × s × d × d ) 2 b s d 2 b \times (2 \times s \times d \times d)2bsd^{2} b×(2×s×d×d)2bsd2合计 C A t t e n t i o n 8 b s d 2 4 b s 2 d b s d ( 8 d 4 s ) C_{Attention}8bsd^{2}4bs^{2}dbsd(8d4s) CAttention8bsd24bs2dbsd(8d4s)
其中 MLP 的 计算量升维和降维的计算量相同
升维 X W u p XW_{up} XWup计算过程是 b × R s × d × R d × 4 d b × R s × 4 d b \times \mathbb{R}^{s \times d} \times \mathbb{R}^{d \times 4d} b \times \mathbb{R}^{s \times 4d} b×Rs×d×Rd×4db×Rs×4d计算量 b × ( 2 × s × d × 4 d ) 8 b s d 2 b \times (2 \times s \times d \times 4d)8bsd^{2} b×(2×s×d×4d)8bsd2同理降维也是一样。合计 C M L P 16 b s d 2 C_{MLP}16bsd^{2} CMLP16bsd2
则每层的计算量 C L a y e r C A t t e n i o n C M L P 24 b s d 2 4 b s 2 d b s d ( 24 d 4 s ) C f o r w a r d l b s d ( 24 d 4 s ) C_{Layer}C_{Attenion}C_{MLP}24bsd^{2}4bs^{2}dbsd(24d4s) \\ C_{forward}lbsd(24d4s) CLayerCAttenionCMLP24bsd24bs2dbsd(24d4s)Cforwardlbsd(24d4s)
反向传播是正向传播的 2 倍合计是 3 倍即 C 3 × C f o r w a r d 72 l b s d 2 12 l b s 2 d 12 l b s d ( 6 d s ) C 3 \times C_{forward} 72lbsd^{2} 12lbs^{2}d 12lbsd(6d s) C3×Cforward72lbsd212lbs2d12lbsd(6ds)
1.3 合计
模型参数量是 N 12 l d 2 N12ld^{2} N12ld2计算量是 C l b s d ( 72 d 12 s ) Clbsd(72d 12s) Clbsd(72d12s)假设 s ≪ 6 d s \ll 6d s≪6d那么 C 12 l d 2 × b s × ( 6 s d ) 6 × b s × 12 l d 2 × ( 1 s 6 d ) 6 × b s × N C 12ld^{2} \times bs \times (6\frac{s}{d}) 6 \times bs \times 12ld^{2} \times (1\frac{s}{6d}) 6 \times bs \times N C12ld2×bs×(6ds)6×bs×12ld2×(16ds)6×bs×N
那么每个 Token 的计算量即 除以 b s bs bs整体计算量再 乘以 全部数据集(Token) D D D即 C 6 × N × D C6 \times N \times D C6×N×D
参考
知乎 - 为什么反向计算是前向耗时的两倍GitHub - backprop_FLOPs.py知乎 - 腾讯算出 MoE 模型的 Scaling Law知乎 - 解析大模型中的 Scaling Law
