Mikroskalierung von Datenformaten für Deep Learning
Microscaling Data Formats for Deep Learning
October 16, 2023
Autoren: Bita Darvish Rouhani, Ritchie Zhao, Ankit More, Mathew Hall, Alireza Khodamoradi, Summer Deng, Dhruv Choudhary, Marius Cornea, Eric Dellinger, Kristof Denolf, Stosic Dusan, Venmugil Elango, Maximilian Golub, Alexander Heinecke, Phil James-Roxby, Dharmesh Jani, Gaurav Kolhe, Martin Langhammer, Ada Li, Levi Melnick, Maral Mesmakhosroshahi, Andres Rodriguez, Michael Schulte, Rasoul Shafipour, Lei Shao, Michael Siu, Pradeep Dubey, Paulius Micikevicius, Maxim Naumov, Colin Verilli, Ralph Wittig, Eric Chung
cs.AI
Zusammenfassung
Schmale Bitbreiten-Datenformate sind entscheidend, um die Rechen- und Speicherkosten moderner Deep-Learning-Anwendungen zu reduzieren. Diese Arbeit evaluiert Microscaling (MX)-Datenformate, die einen pro Block skalierten Faktor mit schmalen Gleitkomma- und Ganzzahltypen für einzelne Elemente kombinieren. MX-Formate balancieren die konkurrierenden Anforderungen an Hardwareeffizienz, Modellgenauigkeit und Benutzerfreundlichkeit. Empirische Ergebnisse aus über zwei Dutzend Benchmarks demonstrieren die Praxistauglichkeit von MX-Datenformaten als direkten Ersatz für das Basis-FP32-Format für KI-Inferenz und -Training mit geringer Benutzerbelastung. Wir zeigen außerdem das erste Beispiel für das Training generativer Sprachmodelle mit Gewichten, Aktivierungen und Gradienten unter 8 Bit bei minimalem Genauigkeitsverlust und ohne Änderungen am Trainingsrezept.
English
Narrow bit-width data formats are key to reducing the computational and
storage costs of modern deep learning applications. This paper evaluates
Microscaling (MX) data formats that combine a per-block scaling factor with
narrow floating-point and integer types for individual elements.MX formats
balance the competing needs of hardware efficiency, model accuracy, and user
friction. Empirical results on over two dozen benchmarks demonstrate
practicality of MX data formats as a drop-in replacement for baseline FP32 for
AI inference and training with low user friction. We also show the first
instance of training generative language models at sub-8-bit weights,
activations, and gradients with minimal accuracy loss and no modifications to
the training recipe.