在 TPU 上免费使用 JAX 训练 GPT2 模型

2025年8月12日
Wei Wei Developer Advocate

如果您对如何使用 JAX 从头开始构建语言模型感到好奇,那么这篇帖子非常适合您。我最近在 2025 年 Google Cloud Next 大会上举办了一场关于此主题的研讨会,并获得了一些很好的反馈,所以我想为所有无法参会的人编写一份指南。

在本文和代码示例中,您将构建并预训练 GPT-2 模型,了解 JAX 如何直接利用 Google TPU 的强大功能。您可以使用 Colab 或 Kaggle 中的 TPU 免费运行整个项目,并在此处找到完整的笔记本

这是一个实践教程,所以我会假定您已熟悉一般的机器学习概念。如果您不熟悉 JAX,可以从《PyTorch 开发者指南:JAX 基础知识》入手。

首先,让我们快速了解一下将要用到的工具。


JAX 生态系统

在开始构建模型之前,让我们先简要介绍一下 JAX 生态系统。JAX 生态系统采用模块化方法,通过 JAX 核心提供核心数值处理功能,而一系列丰富的库则在此基础上构建而成,以满足不同应用的特定需求,如用于构建神经网络的 Flax、用于检查点和模型持久性的 Orbax 以及用于优化的 Optax(在本文中,这 3 个工具都将被用到)。内置函数转换,如 autograd、矢量化和 JIT 编译,加上强大的性能和易于使用的 API,使 JAX 非常适合训练大型语言模型。


入门指南:构建您的 GPT2 模型

OpenAI 此前发布了 GPT2 模型代码和权重,这些都是很好的参考资料,并且社区也付出了很多努力来复制该模型,例如 nanoGPT。以下是 GPT2 的高级模型架构图:

architecture diagram for the GPT2 model

我们将使用 NNX(新的 Flax 接口)来构建 GPT2 模型。为了简洁起见,我们重点关注 Transformer 块,这是现代大型语言模型的关键所在。Transformer 块会捕获任何序列的长距离依赖关系,并构建对其丰富的上下文理解。GPT2 Transformer 块由 2 个 LayerNorm 层、1 个多头注意力 (MHA) 层、2 个 Dropout 层、2 个线性投影层和 2 个残差连接组成。因此,我们首先需要在 TransformerBlock 类的 __init__ 函数中定义这些层:

class TransformerBlock(nnx.Module):
    def __init__(
        self,
        embed_dim: int,
        num_heads: int,
        ff_dim: int,
        dropout_rate: float,
        rngs: nnx.Rngs,
    ):
        self.layer_norm1 = nnx.LayerNorm(
            epsilon=1e-6, num_features=embed_dim, rngs=rngs
        )
        self.mha = nnx.MultiHeadAttention(
            num_heads=num_heads, in_features=embed_dim, rngs=rngs
        )
        self.dropout1 = nnx.Dropout(rate=dropout_rate)
        self.layer_norm2 = nnx.LayerNorm(
            epsilon=1e-6, num_features=embed_dim, rngs=rngs
        )
        self.linear1 = nnx.Linear(
            in_features=embed_dim, out_features=ff_dim, rngs=rngs
        )
        self.linear2 = nnx.Linear(
            in_features=ff_dim, out_features=embed_dim, rngs=rngs
        )
        self.dropout2 = nnx.Dropout(rate=dropout_rate)
Python

接下来,我们需要在 __call__ 函数中对这些层进行组合:

class TransformerBlock(nnx.Module):
    def __call__(self, inputs, training: bool = False):
        input_shape = inputs.shape
        bs, seq_len, emb_sz = input_shape
 
        attention_output = self.mha(
            inputs_q=self.layer_norm1(inputs),
            mask=causal_attention_mask(seq_len),
            decode=False,
        )
        x = inputs + self.dropout1(
            attention_output, deterministic=not training
        )
 
        # MLP
        mlp_output = self.linear1(self.layer_norm2(x))
        mlp_output = nnx.gelu(mlp_output)
        mlp_output = self.linear2(mlp_output)
        mlp_output = self.dropout2(
            mlp_output, deterministic=not training
        )
 
        return x + mlp_output
Python

如果您使用过任何其他 ML 框架(如 PyTorch 或 TensorFlow)来训练语言模型,那么您对这段代码应该非常熟悉。但我非常喜欢 JAX 的一点在于,它具有通过 SPMD(单程序多数据)自动并行运行代码的强大功能。这一点很有必要,因为我们将在多个加速器(多个 TPU 核心)上运行代码。让我们来看看它的工作原理。

要执行 SPMD,首先我们需要确保自己使用的是 TPU。如果您使用的是 Colab 或 Kaggle,请选择 TPU 运行时(您也可以使用 Cloud TPU 虚拟机)。

import jax
jax.devices()
 
# 免费版 Colab 会提供 TPU v2:
# [TpuDevice(id=0, process_index=0, coords=(0,0,0), core_on_chip=0),
#  TpuDevice(id=1, process_index=0, coords=(0,0,0), core_on_chip=1),
#  TpuDevice(id=2, process_index=0, coords=(1,0,0), core_on_chip=0),
#  TpuDevice(id=3, process_index=0, coords=(1,0,0), core_on_chip=1),
#  TpuDevice(id=4, process_index=0, coords=(0,1,0), core_on_chip=0),
#  TpuDevice(id=5, process_index=0, coords=(0,1,0), core_on_chip=1),
#  TpuDevice(id=6, process_index=0, coords=(1,1,0), core_on_chip=0),
#  TpuDevice(id=7, process_index=0, coords=(1,1,0), core_on_chip=1)]
Python

Colab 和 Kaggle 提供 TPU v2 或 v3,其中含有 8 个独立的 TPU 核心。TPU v3 托盘的外观如下所示:

TPU v3 board

训练您的 GPT2 模型

为了高效训练 GPT2 模型,我们将通过 SPMD 让所有 TPU 核心协同运行,并利用 JAX 中的数据并行。为此,我们定义了一个硬件网格:

mesh = jax.make_mesh((8, 1), ('batch', 'model'))
Python

我们可以将网格视为加速器的 2D 矩阵。在本例中,我们为网格定义了两个轴:batch 轴和 model 轴。因此,我们总共有 8 x 1 个核心,也就是 8 个核心。这些轴决定了我们如何划分数据和模型参数。如果之后想尝试其他并行方案,我们可以对这些轴进行调整。

现在,我们通过告诉 JAX 如何使用“model”轴划分模型参数来更改 __init__ 函数。这是通过在初始化权重张量时添加 nnx.with_partitioning 来实现的:对于像 LayerNorm scale/bias 张量这样的 1D 权重张量,我们直接沿着“model”轴对它们进行分片;对于像 MHA 和线性内核张量这样的 2D 权重张量,我们沿着 model 轴对第二维度进行分片。

class TransformerBlock(nnx.Module):
    def __init__(
        self,
        embed_dim: int,
        num_heads: int,
        ff_dim: int,
        dropout_rate: float,
        rngs: nnx.Rngs,
    ):
        self.layer_norm1 = nnx.LayerNorm(
            epsilon=1e-6, num_features=embed_dim,rngs=rngs, rngs=rngs,
            scale_init=nnx.with_partitioning(
                nnx.initializers.ones_init(),
                ("model"),
            ),
            bias_init=nnx.with_partitioning(
                nnx.initializers.zeros_init(),
               ("model"),
            ),
        )
        self.mha = nnx.MultiHeadAttention(
            num_heads=num_heads, in_features=embed_dim,
            kernel_init=nnx.with_partitioning(
                nnx.initializers.xavier_uniform(),
               (None, "model"),
            ),
            bias_init=nnx.with_partitioning(
                nnx.initializers.zeros_init(),
               ("model"),
            ),
        )
        # 为简洁起见,此处省略了块中的其他层
Python

我们需要像这样划分其他层,以便为整个 GPT2 模型启用模型张量并行。即使我们在本教程中不会使用模型张量并行,实现这一点仍然是比较好的做法,因为模型大小可能会增加,我们将来可能需要对模型参数进行划分。实现后,我们只需更改一行代码即可立即运行更大的模型。例如,

mesh = jax.make_mesh((4, 2), ('batch', 'model'))
Python

接下来,我们需要定义与上一篇博客类似的 loss_fntrain_step 函数。train_step() 函数会计算交叉熵损失函数的梯度,并通过优化器更新权重,然后在循环中被调用来训练模型。为了获得最佳性能,我们使用 @nnx.jit 装饰器对这两个函数进行 JIT 编译,因为它们属于计算密集型函数。

@nnx.jit
def loss_fn(model, batch):
    logits = model(batch[0])
    loss = optax.softmax_cross_entropy_with_integer_labels(
        logits=logits, labels=batch[1]
    ).mean()
    return loss, logits
 
 
@nnx.jit
def train_step(
    model: nnx.Module,
    optimizer: nnx.Optimizer,
    metrics: nnx.MultiMetric,
    batch,
):
    grad_fn = nnx.value_and_grad(loss_fn, has_aux=True)
    (loss, logits), grads = grad_fn(model, batch)
    metrics.update(loss=loss, logits=logits, lables=batch[1])
    optimizer.update(grads)
Python

对于优化器,我们使用 Optax 中的 AdamW 以及余弦衰减时间表。您也可以在 Optax 中试用其他优化器时间表

schedule = optax.cosine_decay_schedule(
    init_value=init_learning_rate, decay_steps=max_steps
)
optax_chain = optax.chain(
    optax.adamw(learning_rate=schedule, weight_decay=weight_decay)
)
optimizer = nnx.Optimizer(model, optax_chain)
Python

最后,我们需要创建一个简单的训练循环。

while True:
    input_batch, target_batch = get_batch("train")
 
    train_step(
        model,
        optimizer,
        train_metrics,
        jax.device_put(
            (input_batch, target_batch),
            NamedSharding(mesh, P("batch", None)),
        ),
    )
 
    step += 1
    if step > max_steps:
        break
Python

请注意我们使用 jax.device_put 函数沿着 batch 轴对输入数据进行划分的方式。在这种情况下,JAX 将实现数据并行,并通过自动插入通信集合 (AllReduce) 将所有内容整合在一起,同时尽可能多地实现计算与通信的重叠。有关并行计算更深入的讨论,请参阅 JAX 的并行编程简介文档。

模型此时应处于训练状态,如果使用权重和偏差来跟踪运行情况,我们便可以观察训练损失。以下是训练 GPT2 124M 模型的测试运行结果:

test run for the GPT2 124M model

如果使用 Kaggle TPU v3(我们可以连续使用 9 个小时),训练时间大约为 7 个小时;但如果使用 Trillium,训练时间将减少到大约 1.5 个小时(请注意,Trillium 的每个芯片配备 32G 高带宽内存 (HBM),因此我们可以将批次大小加倍,并将训练步骤减半)。

最终的损失情况与 nanoGPT 的损失情况大致相符。我真的很喜欢 nanoGPT,并在编写此代码示例时对其进行了研究。

nanoGPT baseline comparison table

如果使用 Cloud TPU,我们还可以通过“tpu-info”命令(Cloud TPU 监控调试软件包的一部分)或权重和偏差仪表板监控 TPU 利用率。我们的 TPU 正在全力运行!

‘tpu-info’ command

完成模型训练后,我们可以使用 Orbax 保存模型:

checkpointer = orbax.PyTreeCheckpointer()
train_state = nnx.pure(nnx.state(model))
checkpointer.save(checkpoint_path, train_state)
Python

后续步骤:探索高级 LLM 培训和扩展

就是这样。这就是我们训练 GPT2 模型所需了解的全部内容。您可以在完整的笔记本中找到其他详细信息,如数据加载、超参数、指标。

当然,GPT2 如今还是一个小模型,许多前沿实验室正在利用数十亿个参数训练模型。但是,现在您已经学习了如何使用 JAX 和 TPU 构建小型语言模型,您已经准备好深入了解如何扩展模型

此外,您既可以使用 MaxText 来培训预构建的尖端 LLM,也可以学习如何通过参考 JAX LLM 示例Stanford Marin 模型来从头开始构建最新的模型。

我迫不及待想要看到您使用 JAX 和 TPU 构建的出色模型!