大佬在线复盘：我在训练 DALL·E 时犯过的错

文 | jxyxiangyu

在写了一周的业务代码后，沏一杯绿茶，总算可以有时间看看鸽了一个月的素材了。

好的，小伙伴们，废话不多说，今天我们将跟随 Boris Dayma 大佬，看看他在训练 DALLE-Mega 时遇到的一系列问题。

据这位老哥说，为了训练这个 3B 大小的模型，使用了一个 TPU v3 pod-256（=256 块 TPU v3）。

▲dalle-mega-模型大小

在写惯了业务代码，用多了 0.1B 的 bert-base 的我们，今天也来瞧瞧这些神仙大模型的训练方式。

DALL·E

DALL·E 是 OpenAi 去年推出的图像生成模型，它可以根据一句文本（caption）生成现实世界中不存在的图像。

比如牛油果形状的扶手椅、穿着芭蕾舞短裙遛狗的萝卜等。

▲DALLE结果展示

▲DALLE模型结构图

如上图所示，DALL·E 的训练过程可以分为两步：

1. 为减小高分辨率图片（ ）的计算量，将图片经过一个自编码模型 dVAE ，压缩得到 的图片，我们取 dVAE 的 encoder 的输出隐向量（ ）作为压缩的图片 token；
2. 将文本经过编码器编码后的文本 token 和图片 token 拼接，送入 transformer 进行自回归训练。

这里需要独自训练两个模型 dVAE 和 transformer 。

在推理阶段，需要向 transformer 输入一段文本 caption ，模型以滑动窗口的方式依次预测出下一个图片 token ，这里得到的图片 token 用 dVAE 的 decoder 解码回高分辨率的图片，最后用 CLIP 对得到的图片打分重排序。

更详细的过程解读可以参考 《DALL·E—从文本到图像，超现实主义的图像生成器》[1]、《如何评价DALL-E模型的实现？》[2]

DALL·E Mega 的训练之路

DALL·E Mega 是 Hugging Face 和谷歌云团队基于自己的理解实现的 DALL·E mini 的 Mega 版本，这一次，我们将跟随 Boris Dayma 的脚步，了解他在训练大模型时背后的故事。

和 DALL·E mini 相比，作者做了很多优化，使得 DALL·E Mega 在训练初期能够顺利一些，验证集的 loss 下降速度很快。

当然，随着进一步的训练，验证集的 loss 会逐渐增大，这就意味着需要减小学习率了。如下图所示，可以看到作者还应用了 warm up。

由于效果不佳，作者接着尝试了增大梯度累积以及 dropout ，不过验证集的 loss 依旧没有减小。

不过，令人感到意外的是，即便验证集的 loss 在增加，但预测结果却在不断变好？！对此，作者开始怀疑训练集和验证集的数据分布不一致。

随后，作者决定从训练集中切分出一个子集作为验证集，而对于原本的验证集，作者将其作为训练数据一起用于模型的训练。

不过 loss 依旧在增加，后来，采用全精度训练以及更新 动量后，loss终于开始下降了！！

虽然，验证集的 loss 在不断下降，但不知道小伙伴们有没有注意到，所有的图片都是唯一的，只有在原本的训练集中存在相同的图片（但caption不同），而在作者将训练集的子集作为新的验证集后，训练结果变好会不会是因为训练时，模型只记住了图片？

不过，这些都是后话了，训练已经接近尾声，重新训练太费时间精力（还有钱）了。Boris 小哥就没再仔细深挖这个问题了（好真实...）。

现在模型已经上线到 Hugging Face 上，小伙伴们可以下载使用，对详细的训练过程感兴趣的也可以访问官网的训练日志：
https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-Mega-Training-Journal--VmlldzoxODMxMDI2

总结

时隔一年， Boris Dayma 在原作的基础上，又推出了 DALL·E mini 的 Mega 版本，这一次， Boris Dayma 为我们复盘了他在训练 DALL·E mini Mega 时的心路历程以及一些失误。

诚然，我们中的大部分人都不会有机会训练如此庞大的模型，但能够跟随大神一起了解训练过程中遇到的问题以及解决方法，又何尝不是一种进步和学习呢？

萌屋作者：jxyxiangyu

人工智障、bug制造者、平平无奇的独臂侠、在某厂工作的初级程序员，从事对话交互方向，坚持每天写一点bug，时常徘徊在人工智能统治未来和if-else才是真正的AI的虚拟和现实之间，希望有朝一日学术界的研究成果可以真正在工业界实现落地。

作品推荐

1. 谁说发 paper 一定要追快打新？2021年，研究 word2vec 也能中顶会！
2. 一训练就显存爆炸？Facebook 推出 8 比特优化器，两行代码拯救你的显存！

后台回复关键词【入群】

加入卖萌屋NLP、CV、搜广推与求职讨论群

[1] DALL·E—从文本到图像，超现实主义的图像生成器：https://zhuanlan.zhihu.com/p/394467135

[2] 如何评价DALL-E模型的实现？：https://www.zhihu.com/question/447757686