歡迎關(guān)注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://spike.blog.csdn.net/article/details/145356022

免責(zé)聲明：本文來(lái)源于個(gè)人知識(shí)與公開(kāi)資料，僅用于學(xué)術(shù)交流，歡迎討論，不支持轉(zhuǎn)載。

Scaling Laws (縮放法則) 是大模型領(lǐng)域中，用于描述 模型性能(Loss) 與 模型規(guī)模N、數(shù)據(jù)量D、計(jì)算資源C 之間關(guān)系的經(jīng)驗(yàn)規(guī)律，揭示在大模型中，隨著模型參數(shù)數(shù)量、數(shù)據(jù)集大小和計(jì)算資源的增加，模型性能的變化模式，指導(dǎo)更高效地分配資源，優(yōu)化模型訓(xùn)練過(guò)程，實(shí)現(xiàn)更好的性能。這些規(guī)律不僅有助于預(yù)測(cè)不同規(guī)模模型的表現(xiàn)，還能為模型設(shè)計(jì)和訓(xùn)練提供理論依據(jù)，是推動(dòng)大模型發(fā)展和應(yīng)用的重要理論基礎(chǔ)。

使用 ScalingLaws 指導(dǎo) 100B 大模型的預(yù)訓(xùn)練方案，包括服務(wù)器資源、3D并行策略、Transformer架構(gòu)、DeepNorm、混合精度策略、EGS策略、AdamW、WarmUp、GradientClipping、樣本、位置編