一、内容和目标

 

1. 实验内容

本实验主要介绍基于寒武纪 MLU370 (简称 MLU ) AI 处理器与寒武纪 PyTorch 框架的 BERT（基于 Transformers v4.0.1）训练方法。在官方源码的基础上，进行简单移植和修改，使用MLU370 加速训练 BERT 算法模型，并介绍基于 MLU370 的混合精度训练方法。后续章节将会详细介绍移植过程。

 

2. 实验目标

1. 掌握使用寒武纪 MLU370 和 PyTorch 框架进行混合精度训练的基本方法。
2. 理解 BERT 模型的整体网络结构及其适配流程。

 

二、前置知识

 

1. 寒武纪软硬件平台介绍

• 硬件：寒武纪 MLU370 AI 加速卡

• 框架：PyTorch 1.6

 

2. 寒武纪 PyTorch 框架

为⽀持寒武纪 MLU 加速卡，寒武纪定制了开源⼈⼯智能编程框架PyTorch（以下简称 Cambricon PyTorch）。

Cambricon PyTorch 借助 PyTorch ⾃⾝提供的设备扩展接⼝将 MLU 后端库中所包含的算⼦操作动态注册到 PyTorch 中，MLU 后端库可处理 MLU 上的张量和 AI 算⼦的运算。Cambricon PyTorch 会基于 CNNL 库在 MLU 后端实现⼀些常⽤AI 算⼦，并完成⼀些数据拷⻉。

Cambricon PyTorch 兼容原⽣ PyTorch 的 Python 编程接⼝和原⽣ PyTorch ⽹络模型，⽀持以在线逐层⽅式进⾏训练和推理。⽹络可以从模型⽂件中读取，对于训练任务，⽀持 float32，float16等混合精度。获取更多有关Cambricon PyTorch资料，请参考寒武纪官网文档PyTorch相关内容。

 

三、网络结构

BERT 的全称为 Bidirectional Encoder Representation from Transformers，是一个预训练的语言表征模型, BERT 的每一层由一个Encoder 单元构成。根据 Encoder 集成多少分为两种：

• 在比较大的BERT模型中，即BERT_large，有24层Encoder，每层中有16个Attention，词向量的维度是1024。

• 在比较小的BERT模型中，即BERT_base，有12层Encoder，每层有12个Attention，词向量维度是768。

BERT可以有效改进许多自然语言处理任务，包括自然语言分类，文本匹配，命名实体识别和SQuAD 问答等任务。本文主要介绍基于 BERT_base 的 SQuAD 问答任务，以下是其训练框架结构：  

 

其中：     

• input 表示输入 Encoder之前的各embedding融合，包含position embedding，segment embedding和token embedding。

• Encoder 是Transformer的Encoder部分，每个Encoder单元由一个multi-head-Attention + Layer Normalization + feedforword + Layer Normalization 叠加产生。

 

四、模型训练

下图为模型训练的四个步骤：

 

1.【工程准备】：安装依赖环境，下载源码、数据集和模型等

2.【移植修改】：为便于用户移植和修改，本次实验通过patch方式将适配后的训练代码应用于源码，使得能够在寒武纪 MLU 上实现训练

3.【训练】：本文提供了2种训练方式：

• From pretrained training：基于预训练模型进行训练

• Resume Training：在上次训练基础上继续训练

4.【精度验证】：提供脚本测试训练的精度

 

五、相关链接

实验代码仓库：https://gitee.com/cambricon/practices

Modelzoo仓库：https://gitee.com/cambricon/modelzoo