霸榜 GitHub 热门第一多日后，Colossal-AI 正式版发布
最近看到一个性能颇为强悍的国产 AI 开源项目：Colossal-AI，旨在作为深度学习框架的内核，帮助用户便捷实现最大化提升AI部署效率，同时最小化部署成本。
开源地址：https://github.com/hpcaitech/ColossalAI
Colossal-AI一经开源便受到广泛关注，连续多日登顶GitHub热榜Python方向世界第一，与众多已有数万star的明星开源项目一起受到海内外关注！
经过开发者们的不断努力，Colossal-AI在数月的密集测试后迎来正式版！此版本由300多次commits组成。
本次正式版更新重点优化了分布式训练性能及开发者的易用性，主要亮点包括：
重构ZeRO以改善性能和易用性；
添加细粒度Profiler TensorBoard监控插件，监测训练过程中内存、网络等状态；
更灵活的checkpoint策略，可扩展的pipeline模块；
开源蛋白质预测FastFold等丰富行业解决方案；
添加中文教程，PaLM、MOE、BERT等实例，开放用户社群及论坛。
专业助力大模型训练
近年来，随着深度学习的兴起及大模型横扫各大性能榜单，前沿AI模型的大小在短短几年内便已增大万倍，远超硬件数倍的缓慢增长。前沿AI大模型不仅远超单个GPU的容纳能力，所需算力也往往需要单个GPU运行数百甚至上千年。
因此，如何提升单个GPU的容纳能力，如何高效利用分布式技术，联合多个GPU低成本实现并行训练加速已成为AI大模型的关键痛点。
针对现有方案并行维度有限、效率不高、通用性差、部署困难、缺乏维护等痛点，Colossal-AI通过高效多维并行、显存优化、大规模优化库、细粒度监测等方式，让用户仅需极少量修改，即可高效快速部署AI大模型训练。
多维并行
相比现有方案中并行维度仅包括数据并行、一维张量并行、流水并行三种方案，Colossal-AI进一步提供2/2.5/3维张量并行和序列并行，以及便捷的多维混合并行解决方案。
△ViT张量并行为64时，可提升14倍批大小和5倍训练速度
其中，高维张量并行能极大减轻显存消耗，提升通信效率，使得计算资源利用更加高效。
△序列并行帮助BERT提升2倍训练速度，或1.5倍序列长度
而序列并行针对大图片、视频、长文本、长时间医疗监测等数据，可以帮助突破原有机器能力限制，直接处理长序列数据。
显存优化
Colossal-AI综合了多重显存优化技术，包含多维并行，ZeRO冗余内存消除，CPU offload，Gradient Checkpoint，自动混合精度（AMP）等前沿技术，最大限度帮助用户避免显存瓶颈，降低训练的硬件需求。
△GPT-2使用Colossal-AI，同样硬件下提升24倍可训练模型大小，或3倍训练速度
灵活易用
Colossal-AI接口设计与PyTorch风格保持一致，降低学习和使用成本，仅需极少量修改，便可将已有项目与Colossal-AI结合，便捷扩展至大规模并行。此外，该系统还保持了优秀的扩展性，便于根据需求添加新功能，与已有功能模块兼容。
细粒度监测：细粒度Profiler TensorBoard插件，相较于PyTorch仅能以iteration为单位进行记录训练过程，Colossal-AI能够监测iteration内的网络、通信、内存等状态，方便开发者进行精确分析和调试，提高开发效率。
大规模优化库：Colossal-AI提供大规模并行优化器LAMB、LARS等，首次将训练batch size扩展到65536。Colossal-AI还与PyTorch自带各类optimizer兼容，并不断探索添加最新前沿优化技术，满足各类模型需求。
丰富的行业解决方案
Colossal-AI目前已与自动驾驶、云计算、零售、医药、芯片等行业知名厂商达成合作，与AI领域顶级开源组织Hugging Face等建立合作。
蛋白质结构预测加速方案：FastFold
AlphaFold因强大的AI预测蛋白质结构能力被Science和Nature评选为2021年十大科学突破之首，但存在训练时间长、成本高等问题。
△图片来源：https://arxiv.org/pdf/2203.00854.pdf
基于Colossal-AI的加速方案FastFold，将GPU优化和大模型训练技术引入AlphaFold的训练和推理，成功超越谷歌和哥伦比亚大学的方案，将AlphaFold训练时间从11天减少到67小时，且总成本更低，在长序列推理中也实现9.3～11.6倍的速度提升。
△长序列推理性能对比
半数GPU训练GPT-3
对于超大AI模型，如GPT-3，相比英伟达方案，Colossal-AI仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速11%，可降低GPT-3训练成本超百万美元。
Colossal-AI注重开源社区建设，提供中文教程，开放用户社群及论坛，对于用户反馈进行高效交流与迭代更新，不断添加PaLM、MOE等前沿应用。
项目团队
潞晨技术团队的核心成员均来自美国加州大学伯克利分校，斯坦福大学，清华大学，北京大学，新加坡国立大学，新加坡南洋理工大学等国内外知名高校；拥有Google Brain、IBM、Intel、 Microsoft、NVIDIA等知名厂商工作经历。公司成立即获得创新工场、真格基金等多家顶尖VC机构种子轮投资。
△潞晨科技创始人尤洋教授：加州大学伯克利分校博士、IPDPS/ICPP最佳论文、ACM/IEEE George Michael HPC Fellowship、福布斯30岁以下精英(亚洲 2021)、IEEE-CS超算杰出新人奖、UC伯克利EECS Lotfi A. Zadeh优秀毕业生奖
△潞晨CSO Prof. James Demmel：加州大学伯克利分校杰出教授、ACM/IEEE Fellow，美国科学院、工程院、艺术与科学院三院院士
△潞晨科技联合创始人方佳瑞：清华大学博士，曾任职腾讯微信高级工程师，主导开发了TurboTransformer、PatrickStar等开源项目，在PPoPP、IPDPS等高性能计算顶尖会议上以第一作者发表论文。
△潞晨科技合伙人卞正达：新加坡国立大学硕士，曾获华为CodeCraft金奖，在超算顶尖会议SC上以第一作者发表论文。
传送门
论文地址：
https://arxiv.org/abs/2110.14883
项目地址：
https://github.com/hpcaitech/ColossalAI
文档地址：
https://www.colossalai.org/
*本文观点参考链接：
https://medium.com/@hpcaitech/5-must-follow-features-that-are-seeing-colossal-ais-success-2d5361e27e4b