啟用 fp8 訓練後，「GPT-2 訓練時間」提升了 4.3%，現在只需 2.91 小時。另外值得一提的是，如果使用 8 倍 H100 實例價格，則復現 GPT-2 的成本實際上只需約 20 美元。這令人振奮—— GPT-2（7 年前）：發布風險太大。 GPT-2（今天）：新的 MNIST 資料集！ :) 肯定能遠低於 1 小時。 關於 fp8，我再補充幾句。它比我預想的要複雜一些，我花了一段時間才最終決定採用它，即使現在，由於 fp8 的整體支持度較低，我仍然不能完全確定它是否是個好主意。理論上，H100 上的 fp8 浮點運算能力是 2 倍，但實際上卻遠低於此。在實際訓練過程中，我們並非完全受限於計算能力，額外的尺度轉換會帶來額外的開銷，GEMM 模型在 GPT-2 規模下還不夠大，不足以明顯抵消這些開銷，當然，精度越低，每一步的質量就越小。對於逐行縮放方案，FP8 和 BF16 的損失曲線非常接近，但網路步進速度較慢。對於逐張縮放方案，損失曲線的差異更大（即每一步的品質都較差），但至少我們現在獲得了速度提升（約 7.3%）。你可以透過增加訓練週期（訓練更多步，但每一步速度更快）來簡單地恢復性能，並希望最終網路效能能夠提升。在這種情況下，經過這些方案和訓練週期的調整，目前我最終獲得了約 5% 的速度提升。 Torchao 在他們的論文中報告稱，Llama3-8B 的 FP8 訓練速度提升了 25%（相比之下，我未考慮模型容量的情況下提升了約 7.3%），這更接近我最初的預期，儘管 Llama3-8B 的模型規模要大得多。這可能並非 FP8 的終點。透過精確選擇應用 FP8 的層，並更謹慎地處理網路中的數值，應該還有提升的空間。