如何在TPU上使用JAX训练GPT-2模型

作者 / 魏巍，开发技术推广工程师

如果您对如何使用 JAX 从头开始构建语言模型感到好奇，那么本文非常适合您。我们在 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，我们也为所有无法参会的开发者编写了这份指南。

本文和代码示例将引导您构建并预训练 GPT-2 模型，了解 JAX 如何直接利用 Google TPU 的强大能力。您可以使用 Colab 或 Kaggle 中的 TPU 免费运行整个项目，并获取完整的 Notebook。

Notebook

https://github.com/windmaple/LLM_from_scratch.JAX/tree/main/02.GPT2-pretraining

这是一个实践教程，如果您还不熟悉 JAX，我们建议您从《PyTorch 开发者指南: JAX 基础知识》入手。

PyTorch 开发者指南: JAX 基础知识

https://cloud.google.com/blog/products/ai-machine-learning/guide-to-jax-for-pytorch-developers

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能力，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 非常适合训练大语言模型。

JAX 生态系统

https://docs.jax.dev/en/latest/#ecosystem

Flax

https://github.com/google/flax

Orbax

https://github.com/google/orbax

Optax

https://github.com/google-deepmind/optax

入门指南: 构建您的 GPT-2 模型

OpenAI 此前发布了 GPT-2 模型代码和权重，这为我们提供了宝贵的参考资料，并且社区也付出了很多努力来复现该模型，例如 nanoGPT。以下是 GPT-2 的高层级模型架构图:

GPT-2 模型代码和权重

https://github.com/openai/gpt-2

nanoGPT

https://github.com/karpathy/nanoGPT

我们将使用 NNX (新的 Flax 接口) 来构建 GPT-2 模型。简洁起见，我们重点关注 Transformer Block，这是现代大语言模型的关键所在。Transformer Block 会捕获任何序列的长程依赖关系，并构建丰富的上下文理解。GPT-2 Transformer Block 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)

 

NNX (新的 Flax 接口)

https://flax.readthedocs.io/en/v0.8.3/experimental/nnx/index.html#

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

 

如果您使用过任何其他机器学习框架 (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 JAX 具有通过 SPMD (Single Program Multiple Data) 自动并行运行代码的强大能力。这项功能至关重要，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。

SPMD

https://docs.jax.dev/en/latest/sharded-computation.html

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()


# Free-tier Colab offers 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)]

 

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:

训练您的 GPT-2 模型

为了高效训练 GPT-2 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'))

 

数据并行

https://en.wikipedia.org/wiki/Data_parallelism

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 (weight tensors) 时添加 nnx.with_partitioning 来实现的: 对于像 LayerNorm 缩放/偏置张量这样的 1D 权重张量 (weight tensors)，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"),
            ),
        )
        # Other layers in the block are omitted for brevity

 

我们需要像这样划分其他层，以便为整个 GPT-2 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，实现这一功能仍然是比较好的做法，因为随着模型规模的增长，我们将来可能需要对模型参数进行分区。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'))

 

接下来，我们需要定义 loss_fn 和 train_step 函数，与此前文章类似。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)

 

此前文章

https://cloud.google.com/blog/products/ai-machine-learning/guide-to-jax-for-pytorch-developers

对于优化器，我们使用 Optax 中的 AdamW 以及余弦衰减调度。您也可以在 Optax 中试用其他优化器或调度计划。

 

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)

 

其他优化器

https://optax.readthedocs.io/en/latest/api/optimizers.html

调度计划

https://optax.readthedocs.io/en/latest/api/optimizer_schedules.html

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

 

请注意我们使用 jax.device_put 函数沿着 batch 轴对输入数据进行分区。在这种情况下，JAX 将启用数据并行，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 的并行编程入门文档。

并行编程入门

https://docs.jax.dev/en/latest/notebooks/Distributed_arrays_and_automatic_parallelization.html#intro-and-a-quick-example

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 GPT-2 124M 模型的测试运行结果:

权重和偏差

https://wandb.ai/site

如果使用 Kaggle TPU v3，训练时间大约为 7 个小时 (我们可以不中断地使用 Kaggle TPU v3 9 个小时)；但如果使用 Trillium，训练时间将缩短至约 1.5 个小时 (请注意，Trillium 的每个芯片配备 32G 高带宽内存 (HBM)，因此我们可以将批量大小加倍，并将训练步数减半)。

Trillium

https://cloud.google.com/blog/products/compute/trillium-tpu-is-ga

最终的损失情况与 nanoGPT 的损失情况大致相符。我们在编写此代码示例时对 nanoGPT 进行了研究。

nanoGPT 的损失情况

https://github.com/karpathy/nanoGPT/tree/master?tab=readme-ov-file#baselines

如果使用 Cloud TPU，我们还可以通过 "tpu-info" 命令 (Cloud TPU 监控调试包的一部分) 或权重和偏差仪表盘监控 TPU 利用率。我们的 TPU 正在全力运行！

Cloud TPU 监控调试

https://github.com/AI-Hypercomputer/cloud-tpu-monitoring-debugging

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)

 

Orbax

https://github.com/google/orbax

后续步骤: 探索高级 LLM 训练和扩展

这基本上就是我们训练 GPT-2 模型所需了解的全部内容。您可以在完整的 Notebook 中找到其他详细信息，如数据加载、超参数、指标等。

Notebook

https://github.com/windmaple/LLM_from_scratch.JAX/tree/main/02.GPT2-pretraining

当然，GPT-2 如今还是一个小模型，许多前沿实验室正在训练拥有数千亿参数的模型。但是，现在您已经学习了如何使用 JAX 和 TPU 构建小语言模型，为深入了解如何扩展模型做好了准备。

如何扩展模型

https://jax-ml.github.io/scaling-book/

此外，您既可以使用 MaxText 来训练预构建的前沿 LLM，也可以通过参考 JAX LLM 示例或 Stanford Marin 模型来学习如何从头开始构建最新的模型。

MaxText

https://github.com/AI-Hypercomputer/maxtext

JAX LLM 示例

https://github.com/jax-ml/jax-llm-examples/

Stanford Marin 模型

https://developers.googleblog.com/en/stanfords-marin-foundation-model-first-fully-open-model-developed-using-jax/

我们期待看到您使用 JAX 和 TPU 构建的出色模型！