論文の概要: UniAP: Unifying Inter- and Intra-Layer Automatic Parallelism by Mixed
Integer Quadratic Programming
- arxiv url: http://arxiv.org/abs/2307.16375v1
- Date: Mon, 31 Jul 2023 02:39:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:58:01.673544
- Title: UniAP: Unifying Inter- and Intra-Layer Automatic Parallelism by Mixed
Integer Quadratic Programming
- Title(参考訳): UniAP: 混合整数二次プログラミングによる層間および層内自動並列化
- Authors: Hao Lin, Ke Wu, Jun Li, Wu-Jun Li
- Abstract要約: 混合整数計画法を用いて層間並列と層内並列を統一するUniAPを提案する。
UniAPは、最先端のメソッドを最大1.70$times$スループットで上回り、ストラテジー検索時間を最大16$times$4つのTransformer風モデルで削減する。
- 参考スコア(独自算出の注目度): 27.970647476145874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have demonstrated impressive performance in various
domains. However, the prolonged training time of these models remains a
critical problem. Manually designed parallel training strategies could enhance
efficiency but require considerable time and deliver little flexibility. Hence,
automatic parallelism is proposed to automate the parallel strategy searching
process. Even so, existing approaches suffer from sub-optimal strategy space
because they treat automatic parallelism as two independent stages, namely
inter- and intra-layer parallelism. To address this issue, we propose UniAP,
which utilizes mixed integer quadratic programming to unify inter- and
intra-layer automatic parallelism. To the best of our knowledge, UniAP is the
first work to unify these two categories to search for a globally optimal
strategy. The experimental results show that UniAP outperforms state-of-the-art
methods by up to 1.70$\times$ in throughput and reduces strategy searching time
by up to 16$\times$ across four Transformer-like models.
- Abstract(参考訳): ディープラーニングモデルは、様々な領域で素晴らしいパフォーマンスを示している。
しかし、これらのモデルの長い訓練時間は依然として重要な問題である。
手動で設計した並列トレーニング戦略は、効率を向上させるが、かなりの時間と柔軟性を欠く。
したがって、並列戦略探索プロセスを自動化するために、自動並列化を提案する。
それでも、既存のアプローチは、自動並列処理を2つの独立した段階、すなわち層間および層内並列処理として扱うため、準最適戦略空間に苦しむ。
この問題に対処するために、混合整数二次計画法を用いて層間および層内自動並列性を統一するUniAPを提案する。
私たちが知る限り、uniapはこれら2つのカテゴリを統合してグローバルに最適な戦略を探す最初の仕事です。
実験の結果、UniAPは最先端のメソッドを最大1.70$\times$スループットで上回り、ストラテジー検索時間を最大16$\times$4つのTransformer風モデルで削減した。
関連論文リスト
- Distributed Evolution Strategies with Multi-Level Learning for
Large-Scale Black-Box Optimization [14.570608891347446]
本稿では,CMA-ES(Re limited-Memory CMA-ES)と呼ばれる,CMA-ES(Re limited-Memory CMA-ES)とCMA-ES(Restrict-Memory CMA-ES)を並列化する手法を提案する。
分散LM-CMAのためのマルチレベル学習ベースのメタフレームワークを提案する。階層的に構成された構造のため、Meta-ESは分散メタフレームワークを実装するのに適している。
論文 参考訳(メタデータ) (2023-10-09T03:24:51Z) - UniPT: Universal Parallel Tuning for Transfer Learning with Efficient
Parameter and Memory [69.33445217944029]
PETLは、トレーニング済みモデルを下流ドメインに適応するための効果的な戦略である。
最近のPETLは、より価値の高いメモリ効率特性に焦点を当てている。
メモリ効率の良い新しいPETL戦略Universal Parallel Tuning (UniPT)を提案する。
論文 参考訳(メタデータ) (2023-08-28T05:38:43Z) - Improving Automatic Parallel Training via Balanced Memory Workload
Optimization [36.87527680184956]
トランスフォーマーモデルは、様々なアプリケーションドメインで最先端のパフォーマンスを達成するための主要なアプローチとして現れています。
本稿では,複数の並列性を持つ次元を統合し,最も効率的なハイブリッド並列性戦略を自動的に識別する新しいシステムフレームワークであるGalvatron-BMWを提案する。
異なるTransformerモデルを用いた評価では,Galvatron-BMWがGPUメモリ制約の異なる分散トレーニングを自動化できることが示されている。
論文 参考訳(メタデータ) (2023-07-05T05:28:38Z) - Does compressing activations help model parallel training? [64.59298055364336]
モデル並列性に対する圧縮法の有効性に関する実験的検討を行った。
圧縮アルゴリズムの3つの共通クラスを実装し,評価する。
我々は160以上の設定と8つの一般的なデータセットでこれらの手法を評価した。
論文 参考訳(メタデータ) (2023-01-06T18:58:09Z) - Layer-Wise Partitioning and Merging for Efficient and Scalable Deep
Learning [16.38731019298993]
我々は、より優れたトレーニング性能を提供するために、新しいレイヤワイドパーティショニングとマージ、前方および後方パス並列フレームワークを提案している。
実使用事例を実験的に評価したところ,提案手法は訓練速度において最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2022-07-22T11:47:34Z) - Alpa: Automating Inter- and Intra-Operator Parallelism for Distributed
Deep Learning [54.99749970495241]
Alpaは大規模なディープラーニング(DL)モデルのモデル並列トレーニングを自動化する。
Alpaはデータ、演算子、パイプライン並列性を統一する実行計画を生成する。
特殊なシステムとは異なり、Alpaは手動設計の計画なしで異質なアーキテクチャやモデルを持つモデルに一般化する。
論文 参考訳(メタデータ) (2022-01-28T10:13:35Z) - Colossal-AI: A Unified Deep Learning System For Large-Scale Parallel
Training [23.633810934134065]
Colossal-AIは、大規模モデルで最大2.76回のトレーニングスピードアップを達成することができる。
システムは、データ、パイプライン、テンソル、シーケンス並列化などの並列トレーニングメソッドをサポートする。
論文 参考訳(メタデータ) (2021-10-28T04:45:55Z) - TeraPipe: Token-Level Pipeline Parallelism for Training Large-Scale
Language Models [60.23234205219347]
TeraPipeは、Transformerベースの言語モデルの同期モデル並列トレーニングのための高性能トークンレベルのパイプライン並列アルゴリズムです。
TeraPipeは、AWSクラスタ上で1750億のパラメータを持つ最大のGPT-3モデルのトレーニングを5.0倍高速化できることを示す。
論文 参考訳(メタデータ) (2021-02-16T07:34:32Z) - Parallel Training of Deep Networks with Local Updates [84.30918922367442]
ローカル並列性(Local Parallelism)は、グローバルバックプロパゲーションを切り捨てられたレイヤワイズバックプロパゲーションに置き換えることで、ディープネットワーク内の個々のレイヤのトレーニングを並列化するフレームワークである。
我々は、様々なアーキテクチャセットにわたるビジョンと言語領域の両方で結果を示し、局所的並列性は特に高コンピュートなシステムにおいて有効であることを見出した。
論文 参考訳(メタデータ) (2020-12-07T16:38:45Z) - Scaling Distributed Deep Learning Workloads beyond the Memory Capacity
with KARMA [58.040931661693925]
冗長な再計算とアウト・オブ・コアの手法を組み合わせた戦略を提案する。
最先端のアウト・オブ・コア手法を用いて,6種類のモデルで平均1.22倍の高速化を実現した。
我々のデータ並列化ソリューションは,Megatron-LMやTurning-NLGといった大規模モデルのトレーニングにおいて,複雑なハイブリッドモデル並列性よりも優れる。
論文 参考訳(メタデータ) (2020-08-26T07:24:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。