File size: 20,526 Bytes
ce0fa1e
2fc4496
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ce0fa1e
 
 
2fc4496
ce0fa1e
2fc4496
ce0fa1e
2fc4496
ce0fa1e
2fc4496
 
ce0fa1e
2fc4496
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ce0fa1e
 
2fc4496
 
 
ce0fa1e
 
2fc4496
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ce0fa1e
 
2fc4496
ce0fa1e
2fc4496
 
 
 
 
 
ce0fa1e
2fc4496
ce0fa1e
 
2fc4496
 
ce0fa1e
 
2fc4496
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ce0fa1e
 
 
 
 
 
2fc4496
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
---
strip-comments: true
bibliography: ["ref.bib"]
format: 
  revealjs:
    logo: ./figures/logo/sustech.png
    # footer: |
    #   <p align="right">
    #   <img src="./figures/logo/sustech.png?sanitize=true" height="60px">>
    #   </p>
    slide-number: true
    multiplex: false
    show-notes: false
    theme: sustech.scss
    show-slide-number: all
    controls: false
    preview-links: true
    transition: "slide"
    preload-iframes: true
    view-distance: 10
    width: 1280
    height: 720
    mermaid:
      theme: dark
    code-overflow: wrap
callout-icon: false
execute:
  echo: false
revealjs-plugins:
  - verticator
  - codewindow
  - qrcode
---


## {.theme-title .center}

::: {.titlebox style="text-align:center; font-size: 2em;"}

[Modeling on Internet-scale Data]{.adlery style="color:#320005;"}

[Bingyi Jing@ML-Summit]{style="font-size:0.5em;"}
<!-- [Songxin Zhang@CHUKSZ]{style="font-size:0.5em;"} -->

[Apr 25th, 2024]{style="font-size:0.5em;"}

:::


## {.theme-content}

:::: columns

::: {.column width="30%"}

:::

::: {.column width="70%"}

<br>

::: {.titlebox style="font-size: 1.5em;"}

- LLM/LVM is Data-hungry

:::


::: {.titlebox style="font-size: 1.5em;"}

- Streaming Data Flow

:::

::: {.titlebox style="font-size: 1.5em;"}

- Scaling <span>Exact</span> Attention

:::


:::


::::











::: {.notes}

- 多模态大模型面临的新挑战
  - 如何处理并训练互联网规模的海量数据
  - 如何建模超长序列

:::

# {.theme-section}

::: {.title}
<b>
LLM/LVM is Data-<span>hungry</span>
</b>
:::


## Revisiting the Pre-GPT Era

<!-- ::: {.incremental} -->

对于相同的文本输入,不同的任务需要不同的标注数据和模型。

::: columns
::: {.column width="50%"}


- 情绪分析 ([IMDB](https://huggingface.co/datasets/imdb): 100k rows, 84.1MB)

```{mermaid}
flowchart LR
markdown["我今天去国家大剧院看了一场精彩的演出"]
newLines["积极"]
markdown --> newLines 
```

- 命名实体识别 ([CoNLL-2003](https://huggingface.co/datasets/jnlpba): 20k rows, 15MB)

```{mermaid}
flowchart TD
A["我"]
B["今天去"]
C["国家大剧院"]
D["看了一场"]
E["精彩的演出"]
A-->AN[人物]
B-->BN[时间]
C-->CN["地点"]
E-->EN["事件"]
```

:::

::: {.column width="50%"}
- 文本翻译 ([wmt19](https://huggingface.co/datasets/wmt19/viewer/cs-en/train): 15M rows, 1.25GB)

```{mermaid}
flowchart TD
markdown["我今天去国家大剧院看了一场精彩的演出"]
newLines["
I went to the National Grand Theater today and watched a wonderful performance."]
markdown  <--> newLines 
```

- ...

:::

:::

## Unified Task Paradigm {auto-animate=true}

<br>

{{< fa solid user >}} &nbsp;**You**

<!-- <a style="display: flex; align-items: center;"> -->
<!--     <img src="https://cdn3.emoji.gg/emojis/6473-user-icon.png" width="44px" height="44px" alt="ChatGPT Logo" style="margin-right: 10px;"> -->
<!--   <span style="color: white; font-weight: bold;">ChatGPT</span> -->
<!-- </a> -->


::: {style="margin-left: 54px;"}
请问“我今天去国家大剧院看了一场精彩的演出”表达了怎样的情绪?
:::

{{< include chatgpt.qmd >}}

::: {style="margin-left: 54px;"}
积极
:::

## Unified Task Paradigm {auto-animate=true}

<br>

{{< fa solid user >}} &nbsp;**You**

::: {style="margin-left: 54px;"}
请抽取以下文本中出现的时间、地点、任务和发生的时间:“我今天去国家大剧院看了一场精彩的演出”。
:::

{{< include chatgpt.qmd >}}

::: {style="margin-left: 54px;font-size: 0.8em;"}

在您提供的文本中:

- 时间:今天
- 地点:国家大剧院
- 任务:看了一场精彩的演出
- 发生的时间:不明确,但由“今天”可以推断是在今天发生的。

:::

## Unified Task Paradigm {auto-animate=true}

<br>

{{< fa solid user >}} &nbsp;**You**

::: {style="margin-left: 54px;"}
将“我今天去国家大剧院看了一场精彩的演出”翻译成英文。
:::

{{< include chatgpt.qmd >}}

::: {style="margin-left: 54px;"}
"I went to the National Grand Theater today and watched a wonderful performance."
:::


## Unified Task Paradigm {auto-animate=true}

::: columns
::: {.column width="50%"}

![](./figures/causal_modeling.svg)

:::

::: {.column width="50%"}

![](./figures/masked_modeling.svg)
  
:::
:::

::: columns
::: {.column width="50%"}
::: {.fragment .strike}
数据集难以获取, 大小受限
:::
:::

::: {.column width="50%"}
::: {.fragment}
任何文章都可以作为数据进行训练
:::
:::
:::

::: columns
::: {.column width="50%"}
::: {.fragment .strike}
不同模型之间不能共享知识
:::
:::

::: {.column width="50%"}
::: {.fragment}
只需要一个模型
:::
:::
:::

::: columns
::: {.column width="50%"}
::: {.fragment .strike}
无标注的数据很多, 但是很难利用起来.
:::
:::

::: {.column width="50%"}
::: {.fragment}

数据无需标注, 可以自然直接对文档进行训练.

:::
:::
:::




## Pretrained models are data-hungry {auto-animate=true}

<!-- <iframe class="slide-deck" src="nlp.html"></iframe> -->

```{=html}
{{< include components/nlp.qmd >}}
```

::: {style="text-align:center; font-size: 0.4em;"}

The official datasets hosted on Hugging Face as of April 2024, categorized into a tree diagram by task type,<br> compared with the data used to pre-train GPT-3.

:::


现代的大语言模型,需要远超传统NLP的数据进行预训练。


## Pretrained models are data-hungry {auto-animate=true}

训练GPT-3使用了大约0.75TB的文本数据

- {{<fa solid spider>}} CommonCrawl 570GB
-  <i class="fa-brands fa-reddit" style="color: #FF4500;"></i> WebText 50GB
- {{<fa brands wikipedia-w>}} Wikipedia 11GB
- {{<fa solid book>}} Books 21GB
- <i class="fa-solid fa-book-journal-whills"></i> Acadamic Journals 101GB

## Pretrained models are data-hungry {auto-animate=true}

训练GPT-3使用了大约0.75TB的文本数据 

这样的训练量在如今看来并不算多



```{=html}
{{< include components/gpt.qmd >}}
```



## Pretrained models are data-hungry {auto-animate=true}

训练GPT-3使用了大约0.75TB的文本数据 

这样的训练量在如今看来并不算多


::: {style="text-align:center;"}
<!-- ![](./figures/bubble-model.png) -->

![](./figures/2024-Alan-D-Thompson-AI-Bubbles-Planets-Rev-6.png){width=80%}

:::


## {auto-animate=true background-video="./figures/tokyo-walk.mp4"}

<!-- TODO: add title -->

## Dawning of the World Model Era {auto-animate=true .smaller background-video="./figures/tokyo-walk.mp4" background-opacity=0.25}

How many data SORA uses?


:::: columns

::: {.column width="50%"}

> We take inspiration from large language models which acquire generalist capabilities by training on **internet-scale** data [^1]

:::


::: {.column width="50%"}

> 一个可供对比的数据量是:每分钟上传至 YouTube 的视频是 500h 的量级。则近五年的 YouTube 上的视频数据总量为:13亿小时 =  788亿分钟 。由于Diffusion模型训练text to video 需要高质量的标注视频,因此我们可以估计Sora 训练的视频量级为1亿分钟左右。
>
> 目前有一个比较准确的估计, 一分钟视频约为 1M tokens 。[^2]

:::

::::


::: {.notes}

- 1.3 word ~= 1 token

- 参考 Diffusion Transformer, 256x256 的图片会被划分为 32x32 个 patch。 我们假设 1920x1080 分辨率的高清图像经过下采样得到 512x256 大小的图片,假设一个 patch 为 8x8 的像素块,则得到 64x32 大小的 patch 矩阵, 一张图片则约为: 64x32=2048 个 patch。 高清视频 1s 约为 30 帧以上,但实际训练和推理也会做压缩,我们估计压缩后 1s 约为 9 帧。 则一分钟共 540 帧。 一分钟的视频一共有:64x32x540=1.1M

昆仑万维

:::

## Dawning of the World Model Era {auto-animate=true background-video="./figures/tokyo-walk.mp4" background-opacity=0.25}

:::: columns

::: {.column width="50%"}

> 一个可供对比的数据量是:每分钟上传至 YouTube 的视频是 500h 的量级。则近五年的 YouTube 上的视频数据总量为:13亿小时 =  788亿分钟 。由于Diffusion模型训练text to video 需要高质量的标注视频,因此我们可以估计Sora 训练的视频量级为1亿分钟左右。

:::

::: {.column width="50%"}

::: {.r-fit-text}

~[500TB]{style="background-color:#e31c54; color:white;"} trained data

~[500PB]{style="background-color:#e31c54; color:white;"} raw data

:::


:::

::::



::: {.notes}

以一分钟高清视频大小5MB计算,1亿分钟的视频数据量为500TB,而筛选岀这高质量的1亿分钟可能需要500PB的原始数据。


:::

## Dawning of the World Model Era {auto-animate=true background-video="./figures/tokyo-walk.mp4" background-opacity=0.25}

```{=html}

{{< include components/token-bar.qmd >}}

```


## Challenge {auto-animate=true background-video="./figures/tokyo-walk.mp4" background-opacity=0.25}


:::: columns

::: {.column width="50%"}

::: {.r-fit-text}

Training on <br> [internet-]{.flow}<br> scale data

:::

:::

::: {.column width="45%"}

::: {.r-fit-text}

Modeling <br> [ultra-long]{.flow} <br> sequence
<!-- training on <br> [internet-scale]{.flow}<br> data? -->

:::

:::

::::





[^1]: [Video generation models as world simulators(SORA tech report)](https://openai.com/research/video-generation-models-as-world-simulators)
[^2]: [浅谈 Sora 未来的千倍推理算力需求](https://zhuanlan.zhihu.com/p/683636677)


# {.theme-section}

::: {.title}

<b>
<span>Streaming</span> Data Flow
</b>

:::

## Legacy training paradigm {auto-animate=true .smaller}

传统的训练方式通常是一次性将数据下载到本地,然后进行处理。



```{.python code-line-numbers="5-8|11-14"}
{{< include ./scripts/hf.py >}}
```

1. 下载数据集
2. 将数据集处理为模型输入,并保存到本地
3. 准备训练


::: notes

- 将全部数据下载到共享存储空间
- 一次性将数据处理为模型接受的形式

:::


## Legacy training paradigm {auto-animate=true}

:::: columns

::: {.column width="40%"}


![](./figures/etl-explain-large2.webp){width=90%}



:::


::: {.column width="60%" .fragment}

这种范式下ETL与模型训练完全串行,是一种简单明了的方式。


```{=html}
{{< include ./components/profile-old.qmd >}}
```

:::


::::


## What's the Problem? {auto-animate=true}


:::: columns


::: {.column width="60%"}



<p align="center">

![](./figures/etl-ai.jpg)

</p>

:::

::: {.column width="40%"}

多模态大模型的ETL流程正变得越来越复杂

- E: 数据模态多,来源复杂,拉取时间长
- T: 数据处理流程复杂
- L: 存储占用高


:::

::::

## What's the Problem? {auto-animate=true}

多模态数据由于版权和存储原因,大多以下载链接的形式分发,获取速率受到限制

```{=html}
{{< include components/webvid.qmd >}}
```

::: {style="text-align:center; font-size: 0.4em;"}

webvid以url形式提供, 共包括10730233条数据

:::

<!-- ![](./figures/webvid.webp) -->

::: {.notes}


- 这意味着国内需要使用昂贵的国际带宽来获取数据,对于一个小型数据中心, 下载相当于Sora训练量的数据集可能需要花费数年的时间。

- 即便只下载webvid这样中等规模的数据,下载和处理的时间可能也是训练的瓶颈.

:::


## What's the Problem? {auto-animate=true}

处理流程复杂耗时,甚至超过训练开销

:::: columns

::: {.column width="60%"}

::: {style="margin-top: 50px;"}

![](./figures/caption.jpg)

:::



:::

::: {.column width="40%"}

<a style="display: flex; align-items: center;">
    <img src="https://cdn3.emoji.gg/emojis/5892-chatgpt-logo-circle.png" width="44px" height="44px" alt="ChatGPT Logo" style="margin-right: 10px;">
  <span style="color: white; font-weight: bold;">GPT-4V (20s/it)</span>
</a>

::: {style="font-size: 0.4em;"}

An aerial video sweeps over a majestic ocean cliff with striatedrock formations in rich hues of red, green, and orange.The sun'srays enhance the colorful palette of the landscape, while the sea'sazure watersgently crash aqainst the clif's base. Visible are thetextured detais ofthe clif face and the contrast of the areeralaae and seaqrasscoating parts of the rock.Seabirds can beseen flying close to the water around the rocky outcrop. Thevideo conveys a serene yet dynamic coastal scenery, highlightingthe natural beauty and geological diversity of a rugged coastline

:::

🌋 **LLaVA-1.6-Yi-34B (3s/it)**

::: {style="font-size: 0.4em;"}

A breathtakina aerial view of a rocky cliff iutting out into theocean.The cliff. adorned with vibrant qreen moss and patches ofyellow and red lichen, is bathed in the warm glow of the sun. Theocean, a deep blue, is dotted with small white waves that crashagainst the cliff's base. The perspective of the video is fromabove, providing a bird's eye view of the cliff and the surroundingocean.The sun's rays illuminate the scene, casting a beautifullight on the cliff and the ocean. The video is a stunningrepresentation of the raw beauty of nature.

:::

:::


::::



## What's the Problem? {auto-animate=true}


> [Storage]{.red} plays an important role in AI training, and yet is one of the least talked-about aspects. As the GenAI training jobs become more multimodal over time, consuming large amounts of [ image, video, and text data ]{.red}, the need for data storage grows rapidly. [^llama3]


- 要从原始数据中筛选出一亿分钟数据,可能意味着原始数据量高达数十PB以上
- 对于一般的小型数据中心,没有能力搭建适应视频预训练的存储设施。


[^llama3]: [Building Meta’s GenAI Infrastructure](https://engineering.fb.com/2024/03/12/data-center-engineering/building-metas-genai-infrastructure/)






## What's the Problem? {auto-animate=true}

:::: columns

::: {.column width="50%"}

<p align="center">
![](./figures/etl-problem.webp)
</p>

:::

::: {.column width="50%"}

::: {.incremental}

- 数据来源复杂
- 数据源不能立即被拉取
- 数据处理流程复杂
- 数据处理和模型训练耦合
- 数据量过大,无法一次性处理
- ...

:::



:::

::::


## What's the Problem? {auto-animate=true}


:::: columns

::: {.column width="50%"}

- 数据流离模型训练越来越远
- 仍然使用传统的方式处理数据,<br>数据流将成为阻塞训练的瓶颈。


::: {style="margin-left: 54px;"}

![](./figures/etl-explain-small.webp){width=80%}

:::




:::

::: {.column width="50%"}

```{=html}
{{< include ./components/profile-naive.qmd >}}
```


:::

::::



## {auto-animate=true}

::: {.r-fit-text}

How to train <br> on [internet-scale]{.flow}<br> data?

:::

## {auto-animate=true}


:::: columns

::: {.column width="50%"}

::: {.r-fit-text}

How to train <br> on [internet-scale]{.flow}<br> data?

:::

:::

::: {.column width="45%"}

::: {.r-fit-text .fragment}

Just training on <br>[the internet]{.flow}!
<!-- training on <br> [internet-scale]{.flow}<br> data? -->

:::

:::

::::



## Streaming to the rescue {auto-animate=true}

:::: columns

::: {.column width="50%"}

![](./figures/streaming.gif)

::: {.incremental}

- 流式传输数据可以解决这些问题

- 但流式数据传输只是一个开始,我们需要构建完全基于流式数据的训练框架

:::

:::

::: {.column width="50%"}

::: {.fragment}

![](./figures/decoup-data.png)

:::

:::



::::





<!-- ## {auto-animate=true background="./figures/mosaicml-streaming-dataset-img-1.gif"} -->

## Streaming to the rescue {auto-animate=true}

<p align="center">
![](./figures/plat.png){width=80%}
</p>

## Streaming to the rescue {auto-animate=true .smaller}

:::: columns

::: {.column width="60%"}


<!-- <p align="center"> -->
<!-- ![](./figures/mosaicml-streaming-dataset-img-1.gif){width=80%} -->
<!-- </p> -->


<p align="center">
![](./figures/plat.png){width=80%}
</p>

:::

::: {.column width="40%"}



::: {.incremental}

- [x] 零启动开销

- [x] 数据处理进程和模型训练进程完全分离

- [x] 节点内通过`SharedMemory`通信, 节点间通过内存数据库通信

- [x] 数据处理集群拓扑与GPU拓扑无关, 可以动态调整

- [x] 定时sink数据库,允许回溯数据流

- [x] 确定性的数据切分和洗牌算法,确保回溯的一致性

:::



:::



::::


## {auto-animate=true background="./figures/mosaicml-streaming-dataset-img-1.gif"}

::: {.notes}

每个云上shard内的样本具备确定性的切分和洗牌算法,确保回溯的一致性, 并与训练拓扑无关

:::

## Training on the internet {auto-animate=true .smaller background="./figures/mosaicml-streaming-dataset-img-1.gif" background-opacity=0.25}

使用S3作为数据和权重的存储后端, 无缝进行不同规模的云迁移

```{=html}
{{< include components/cloud-switch.qmd >}}
```

## Training on the internet {auto-animate=true .smaller}

引入DPU集群,允许将数据直接传输到GPU, 消除内存数据库的开销


<p align="center">
![](./figures/dpu.png){width=100%}
</p>



<!-- [Bingyi Jing@ML-Summit]{style="text-align:center; font-size:4em;"} -->

<a style="display: flex; align-items: center; justify-content: center;">
  <span style="color: white; font-weight: bold;">Powered by &nbsp;   </span>
    <img src="./figures/logo/ucloud.png" height="44px" alt="ChatGPT Logo" style="margin-right: 10px;">
</a>





::: {.notes}

与中立云服务商UCloud合作


:::


## Training on the internet {auto-animate=true .smaller}


<p align="center">
![](./figures/streaming-data.webp){width=80%}
</p>

## Training on the internet {auto-animate=true .smaller}

:::: columns

::: {.column width="50%"}

<p align="center">
![](./figures/streaming-data.webp){width=60%}
</p>

:::

::: {.column width="50%"}

- 进一步分离了数据处理和模型训练
- 使ETL与模型训练完全并行

:::

::::

::: {.fragment}

```{=html}
{{< include components/profile-stream.qmd >}}
```

:::




# {.theme-section}

::: {.title}
<b>
Scaling <span>Exact</span> Attention
</b>
:::



## Efficient distributed training infra {auto-animate="true"}

|             | Flash-Attn-2 | FP8 (H100) | 3D Parallel + Zero | Padding Free | Fused Kernel | Static Graph | TGS[^l] |
|------------:|:------------:|:----------:|:------------------:|:------------:|:------------:|:------------:|:---:|
| Platformers |   ✔️   |   ✔️ |           ✔️ |     ✔️ |         [100%]{style="color:red;"} |     ✔️ | [3743]{style="color:red;"} |
| Megatron-LM |     ✖️ |   ✔️ |           ✔️        |     ✖️ |          80% |     ✖️ | 3581 |
|   Deepspeed |      ✔️        |   ✖️ |            ✔️         |     ✖️ |          60% |     ✖️ |✖️ |
| Colossal-ai |     ✖️ |   ✖️ |        ✔️            |     ✖️ |           40%   |     ✖️ | 2610 |
<!-- |   GPT-Neox  |      ✖️        |   ✖️ |                ✔️    |     ✖️ |          10% |     ✖️ | -->


[^l]: Training LLaMA2 7b on DGX (8*A100 40GB) with 4096 sequence Length

## Scaling exact attention to ultra long sequence {auto-animate="true"}

<!-- ![](./figures/context_parallel.svg) -->
![](./figures/context_parallel.svg)


## Scaling exact attention to ultra long sequence {auto-animate="true"}

<p align="center">
![](./figures/computation_reduce.svg){width=80%}
</p>



## Scaling exact attention to ultra long sequence {auto-animate="true"}

:::: columns

::: {.column width="50%"}

<!-- ![](./figures/long_sequence_speed.png) -->

```{=html}
{{< include ./components/seq-time.qmd >}}
```

:::

::: {.column width="50%"}

<!-- ## ![](./figures/tflops_comparing.png) -->

```{=html}
{{< include ./components/seq-tflops.qmd >}}
```

:::

::::

<!-- ## Scaling exact attention to ultra long sequence {auto-animate="true"} -->
<!---->
<!-- ```{=html} -->
<!-- {{< include lwm.qmd >}} -->
<!-- ``` -->
<!---->

## Scaling exact attention to ultra long sequence {auto-animate="true"}


```{=html}
{{< include mocha.qmd >}}
```

# {.theme-end}

::: columns

::: {.column width="50%"}

::: {.r-fit-text}

Thanks

:::

:::

::: {.column width="25%"}

::: {style="text-align:center;"}

![wechat](./figures/qr/code.png)

:::

<!-- ## {{< qrcode https://u.wechat.com/MAmdMGMYjGFC4-2ESxZ1oyw width=200 height=200 >}} -->

  
:::

::: {.column width="25%"}

::: {style="text-align:center;"}

![e-mail](./figures/qr/mail-data.png)

:::

<!-- ## {{< qrcode https://u.wechat.com/MAmdMGMYjGFC4-2ESxZ1oyw width=200 height=200 >}} -->

  
:::









:::