本文共 756 字，大约阅读时间需要 2 分钟。
BERT预训练时间大幅缩短：Google与UC Berkeley研究团队提出新算法
近日，Google与UC Berkeley、UCLA的研究团队在大模型训练领域取得重大突破。他们成功将BERT预训练的时间从三天压缩至76分钟，采用LAMB优化器后实现了这一显著进展。
BERT作为当前最耗时的工业界应用之一，其预训练过程一直面临效率瓶颈。特别是在使用大批量数据时，传统的训练方法难以满足需求。UC Berkeley博士尤洋在接受采访时表示：“直接优化传统批处理方法会导致测试集准确性下降，这对模型性能是一个严峻挑战。”
为了应对这一难题，他们提出了一种全新的优化算法LAMB（LARGE batch Matrix Optimization）。该算法不仅支持更大的批量处理（如65536），还能在不降低准确率的情况下显著提升训练效率。具体而言，使用LAMB优化器的BERT-Large模型在批量处理为65536时，仅需8599次迭代完成预训练，而传统方法需要100万次迭代。
尤洋的研究团队还进一步优化了批量处理的内存限制，实现了与TPUv3 pod相匹配的训练效果。最终，他们将BERT的预训练时间从三天压缩至76分钟。
尤洋的研究成果备受关注。他目前专注于大规模深度学习训练算法的分布式优化。值得一提的是，他曾在2017年9月以24分钟完成ImageNet训练，刷新了世界纪录。尤洋的导师是美国科学院与工程院院士、伯克利计算机系主任James Demmel教授，这为他的研究提供了坚实的理论基础。
推荐阅读：
点击阅读原文，查看更多历史精彩文章。
转载地址：http://muay.baihongyu.com/