当前位置：首页 > article >正文

DeepSpeed-Ulysses：支持极长序列 Transformer 模型训练的系统优化方法

article 2025/6/2 13:51:17

DeepSpeed-Ulysses：支持极长序列 Transformer 模型训练的系统优化方法

flyfish

名字 Ulysses

“Ulysses” 和 “奥德修斯（Odysseus）” 指的是同一人物，“Ulysses” 是 “Odysseus” 的拉丁化版本

《尤利西斯》（詹姆斯·乔伊斯著，1922年出版）

以古希腊英雄奥德修斯（拉丁名“尤利西斯”）的神话为框架，将故事置于现代（20世纪初）的都柏林，通过三位主角一天内的经历，映射奥德修斯的十年漂泊。

奥德修斯（古希腊神话核心人物）

奥德修斯是古希腊城邦伊萨卡的国王，以智慧著称（如“特洛伊木马”计策的设计者）。特洛伊战争结束后，他因触怒海神波塞冬，踏上长达十年的返乡漂泊，故事集中于《奥德赛》（荷马史诗）。

“DeepSpeed-Ulysses”的借用“奥德修斯/尤利西斯”的“长途探索与克服挑战”意象，象征长序列模型训练的技术突破。

长序列Transformer模型训练是指针对输入序列长度极长（如包含数万至百万级 tokens）的Transformer模型进行优化训练的过程，其核心挑战在于平衡计算效率、内存使用和通信开销。

一、长序列Transformer模型的定义与应用场景

1. 模型特征

Transformer模型以自注意力机制为核心，传统模型的序列长度通常限制在数千tokens（如512或2048），而长序列模型需处理远超这一范围的输入。其计算复杂度随序列长度呈二次增长（注意力计算需遍历所有token对），导致训练时内存占用和通信开销剧增。

2. 关键应用领域

生成式AI：
- 对话系统：处理长对话历史（需支持多轮交互的上下文）。
- 长文档处理：对书籍、学术论文等进行摘要生成（序列长度可达数万词）。
- 多模态任务：视频生成、语音识别等需处理时空维度的长序列输入。
科学AI：
- 基因组学：分析人类基因组的64亿碱基对序列。
- 气候预测：处理长时间序列的气象数据。
- 医疗诊断：基于患者全病程记录的预测模型。

二、长序列训练的核心挑战

1. 内存与通信效率瓶颈

激活值内存爆炸：Transformer的中间激活值（如注意力计算中的QKV张量）随序列长度平方增长，单GPU内存无法容纳极长序列。
通信开销线性增长：现有序列并行方法（如Megatron-LM）在注意力计算时需进行全聚集（all-gather）通信，通信量随序列长度线性增加，导致训练效率随序列长度下降。

2. 现有并行技术的局限性

数据/张量/流水线并行不适用：这些并行方式分别针对批量大小、隐藏维度、模型层数优化，但未考虑序列维度的划分，无法解决长序列特有的内存和通信问题。
传统序列并行方法低效：如ColAI-SP采用环形通信，Megatron-LM依赖全聚集操作，均无法在扩展序列长度时保持通信效率，且需大量代码重构。

DeepSpeed-Ulysses解决长序列Transformer模型训练难题的方案

DeepSpeed-Ulysses针对长序列Transformer训练的四大核心创新，可拆解为数据划分策略、通信原语重构、内存分层优化、注意力模块化设计四大技术模块
DeepSpeed-Ulysses通过序列分片解耦计算与存储、全对全通信重构带宽效率、ZeRO-3扩展内存边界、注意力抽象层屏蔽多样性，形成了从硬件通信到算法逻辑的端到端优化。

一、序列维度数据划分：动态分片与负载均衡

1. 分片粒度设计

均匀切分：将输入序列按长度均分为P份（P为GPU数），每个GPU处理N/P tokens（如N=1M，P=64时，单卡处理15,625 tokens），确保计算负载均衡。
细粒度对齐：结合注意力头数（H），将每个分片的QKV张量按头维度切分，实现“序列分片×头分片”的二维并行（如H=32，P=8时，每卡处理4个头的完整序列分片），避免头间通信冗余。

2. 分片生命周期管理

前向传播：分片在嵌入层后立即生成，贯穿注意力计算全流程，减少中间复制开销。
反向传播：梯度按分片聚合，通过通信原语自动对齐，无需显式分片重组（对比Megatron-LM需手动拼接梯度）。

二、通信原语重构：全对全替代全聚合

1. 两次全对全（All-to-All）通信

第一次All-to-All（QKV收集）：
- 输入：各GPU持有(N/P, b, d)的Q/K/V分片（b为微批量，d为隐藏维度）。
- 操作：通过高效的NVLink/IB网络，交换分片形成(N, b, d/P)的全局QKV（每个GPU获取完整序列的1/P头数据）。
- 优势：通信量为3Nh/P（h为头维度），对比Megatron-LM的全聚合（3Nh）减少P倍。
第二次All-to-All（结果分发）：
- 输入：注意力计算后的(N, b, d/P)输出。
- 操作：重组为(N/P, b, d)分片，供后续MLP层处理，通信量Nh/P。
- 总通信量：4Nh/P，复杂度O(N/P)，当N与P同比增长时保持恒定（如N×2，P×2，通信量不变）。

2. 通信拓扑优化

节点内NVSwitch优先：利用GPU间高速互联，将All-to-All拆分为节点内（低延迟）和节点间（高带宽）两阶段，实测减少通信时间
异步通信隐藏延迟：在注意力计算前预启动通信，与计算重叠（如FlashAttention的分块计算与通信流水线）。

三、内存分层优化：ZeRO-3×序列并行

1. 参数分片策略

跨组划分：ZeRO-3原仅在数据并行组（DP组）分片参数，Ulysses扩展至DP组×序列并行组（SP组），形成二维分片（如DP=8，SP=8时，每个参数被分为64片）。
动态聚合：仅在参数更新时，通过All-Gather收集分片梯度，平时仅保留本地分片，显存占用降低DP×SP倍。

2. 激活内存压缩

分片激活：每个GPU仅存储N/P tokens的激活值，总激活内存从O(N²)降至O((N/P)²)，支持N=1M时单卡激活内存仅为全序列的1/64（P=64）。
与激活重计算协同：结合FlashAttention的分块重计算，进一步将激活内存降至O(N/P)。

四、注意力模块化设计：统一接口与动态适配

1. 注意力计算抽象层

输入标准化：无论密集/稀疏，输入均为(N, b, d/P)的分片QKV（N为全局序列长度）。
头级并行：每个GPU负责H/P个头的完整注意力计算，支持任意头数分片（如H=96，P=8时每卡12头）。
输出重组：通过第二次All-to-All自动对齐头维度，屏蔽底层注意力实现差异。

2. 稀疏注意力特化优化

块对角通信：针对滑动窗口等稀疏模式，仅交换相邻分片的K/V，通信量进一步降至O(N/P×W)（W为窗口大小）。
与Blockwise Attention协同：支持将序列划分为块，块内全连接、块间稀疏连接，通信量减少70%（对比全局密集）。

3. 兼容性验证

FlashAttention v2集成：通过分片QKV直接输入FlashAttention内核，实测长序列（N=512K）吞吐量提升1.8倍
稀疏模式扩展：支持BigBird的全局+局部混合注意力，无需修改通信逻辑，仅替换注意力计算函数

五、工程实现细节：易用性与扩展性

1. 代码侵入性

零修改集成：仅需在模型定义中添加@sequence_parallel装饰器，自动替换原生Attention为分布式版本
并行组抽象：自动管理DP/SP组的创建与销毁，用户无需显式管理通信域。

2. 故障恢复机制

分片检查点：仅保存本地分片参数，检查点大小减少DP×SP倍，支持1024卡集群下30B模型的快速恢复

注意力集成

DeepSpeed-Ulysses通过优化多种注意力机制，系统性解决了长序列Transformer训练的效率瓶颈。

一、自注意力（Self-Attention）

1. 密集自注意力（Dense Self-Attention）

数学公式：
$\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$
其中：
- $\in \mathbb{R}^{N \times d}$ , $\in \mathbb{R}^{N \times d}$ , $\in \mathbb{R}^{N \times d}$
- $N$ 为序列长度， $d$ 为隐藏维度
解决的问题：
- 传统实现瓶颈：计算复杂度 $O(N^2)$ 和内存占用 $O(N^2)$ ，难以处理超长序列（如 $N > 10 k$ ）
- DeepSpeed-Ulysses优化：
  - 通过序列并行（Sequence Parallelism）将 $N$ 划分为 $N / P$ （ $P$ 为GPU数）
  - 两次All-to-All通信将计算复杂度降至 $O (N / P)$ （

2. 稀疏自注意力（Sparse Self-Attention）

数学公式：
$\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{QK^T \odot M}{\sqrt{d_k}}\right)V$
其中：
- $M$ 为稀疏掩码矩阵，仅保留部分非零连接
解决的问题：
- 传统密集注意力缺陷：长序列下计算和内存开销爆炸
- DeepSpeed-Ulysses优化：
  - 支持滑动窗口（Sliding Window）、块对角（Block Diagonal）等稀疏模式
  - 通信量降至 $\times W)$ （ $W$ 为窗口大小）

二、交叉注意力（Cross-Attention）

数学公式：

$\text{CrossAttention}(Q, K_{\text{enc}}, V_{\text{enc}}) = \text{Softmax}\left(\frac{QK_{\text{enc}}^T}{\sqrt{d_k}}\right)V_{\text{enc}}$
其中：

$Q$ 来自解码器， $K_{\text{enc}}, V_{\text{enc}}$ 来自编码器
解决的问题：
- 长序列跨模态挑战：生成式任务中，解码器需高效关注超长编码序列
- DeepSpeed-Ulysses优化：
  - 通过序列分片和分布式通信，支持 $N_{\text{enc}} \times N_{\text{dec}}$ 规模的交叉注意力
  - 结合ZeRO-3减少参数内存占用，支持万亿级参数模型

三、因果注意力（Causal Attention）

数学公式：

$\text{CausalAttention}(Q, K, V) = \text{Softmax}\left(\frac{QK^T + \text{Mask}}{\sqrt{d_k}}\right)V$
其中：

$\text{Mask}_{i,j} = \begin{cases} 0 & \text{if } i \geq j \\ -\infty & \text{otherwise} \end{cases}$
解决的问题：
- 自回归生成的信息泄露：防止未来token影响当前预测
- DeepSpeed-Ulysses优化：
  - 在分布式环境下高效应用掩码，避免跨分片的未来信息泄露
  - 支持超长上下文生成

四、Blockwise Attention（分块注意力）

数学公式：

$\text{BlockwiseAttention}(Q, K, V) = \sum_{i=1}^{B} \text{Softmax}\left(\frac{Q_i K_i^T}{\sqrt{d_k}}\right)V_i + \sum_{i \neq j} \text{Softmax}\left(\frac{Q_i K_j^T}{\sqrt{d_k}}\right)V_j \cdot M_{i,j}$
其中：

$B$ 为块数， $M_{i,j}$ 为块间连接掩码
解决的问题：
- 长序列计算碎片化：将序列划分为块，块内密集计算，块间稀疏交互
- DeepSpeed-Ulysses优化：
  - 块内通信量 $O(N_{\text{block}}^2)$ ，块间通信量 $O(N_{\text{block}} \times K)$ （ $K$ 为稀疏度）
  - 实验显示通信量减少70%，支持块间全局连接（如BigBird）

五、FlashAttention优化

数学公式：

$\text{FlashAttention}(Q, K, V) = \sum_{i=1}^{T} \text{Softmax}\left(\frac{Q_i K_i^T}{\sqrt{d_k}}\right)V_i$
其中：

$T$ 为内存块数，通过分块计算减少峰值内存
解决的问题：
- 长序列内存瓶颈：传统注意力的激活值内存占用 $O(N^2)$
- DeepSpeed-Ulysses优化：
  - 结合序列并行，将内存降至 $O (N / P)$
  - 分块计算与通信重叠，提升计算效率

六、DeepSpeed-Ulysses的核心优化公式

1. 分布式注意力计算

$\text{Output} = \text{AllToAll}\left(\text{Softmax}\left(\frac{\text{AllToAll}(Q_i, K_i, V_i)}{\sqrt{d_k}}\right)\right)$
其中：

$Q_i, K_i, V_i$ 为第 $i$ 个GPU的序列分片
解决的问题：
- 传统数据并行的通信瓶颈：全聚集（All-Gather）通信量 $O (N)$
- 优化后：两次All-to-All通信量降至 $O (N / P)$

2. 内存优化公式

$\text{Memory} = \text{Params} + \text{Activations} + \text{Gradients}$
其中：

$\text{Params} = \frac{\text{TotalParams}}{P \times S}$ （ $S$ 为ZeRO-3分片因子）
$\text{Activations} = O\left(\frac{N}{P}\right)$ （通过序列分片和激活重计算）
解决的问题：
- 长序列训练的内存墙：传统方法无法支持 $N > 100 k$ 的序列
- 优化后：在7B模型上支持 $N = 512 k$ ，内存效率提升4倍

All-to-All通信

分布式计算中的All-to-All通信与DeepSpeed-Ulysses优化

DeepSpeed-Ulysses通过两次All-to-All通信，实现了长序列Transformer训练的三大突破：
将O(N)复杂度降为O(N/P)，打破长序列训练的带宽瓶颈；利用NVSwitch/IB拓扑和异步流水线，将GPU算力利用率提升至硬件峰值的54%；支持1M token序列与万亿参数模型的联合训练，为科学AI（如基因组分析）和生成式AI（如长文本生成）提供底层支撑。

一、All-to-All通信的核心概念

1. 通信机制本质
All-to-All是分布式系统中一种数据交换模式：网络中的每个节点（如GPU）同时向其他所有节点发送自身数据分片，并接收所有节点发来的分片。例如，当有P个GPU时，每个GPU初始持有数据切片X₁, X₂, …, Xₚ，通信后每个GPU都会获得完整的[X₁, X₂, …, Xₚ]，相当于每个节点都收集到全局所有数据分片，形成完整数据集。

2. 与其他通信方式的区别

All-Gather：所有节点仅收集同一数据的不同分片（如多个GPU共同组成完整模型参数），通信量随数据规模线性增长。
All-to-All：节点间双向交换各自分片，通信量随节点数P成反比，适合数据并行场景下的高效同步。

二、DeepSpeed-Ulysses的两次All-to-All通信设计

1. 第一次通信：QKV张量聚合（注意力计算前）

输入状态：每个GPU持有序列长度为N/P的Q/K/V张量（形状为(N/P, b, d)，b为微批量，d为隐藏维度）。
通信过程：
- 每个GPU向其他P-1个GPU发送自己的Q/K/V分片；
- 每个GPU接收所有分片后，拼接成全局序列的Q/K/V张量（形状变为(N, b, d/P)），其中每个GPU负责d/P维度的注意力头计算。
核心作用：使每个GPU获取完整序列的部分注意力头数据，为并行计算注意力做准备。

2. 第二次通信：注意力结果重分配（计算后）

输入状态：注意力计算后的输出张量形状为(N, b, d/P)。
通信过程：
- 每个GPU将输出按序列维度重新切分为N/P长度的分片；
- 通过All-to-All将分片发送至对应GPU，最终每个GPU持有(N/P, b, d)的张量，供后续MLP层处理。
核心作用：将注意力计算结果按序列维度重新分配，确保后续操作的并行性。

三、通信量优化的数学逻辑

1. 传统方法（如Megatron-LM）的瓶颈
采用All-Gather+Reduce-Scatter组合：

每次注意力计算需2次All-Gather（收集QKV）和2次Reduce-Scatter（聚合结果），总通信量为4Nh（N为序列长度，h为隐藏维度），复杂度为O(N)。
问题：当N从16K增至1M时，通信量增长62.5倍，极易造成网络拥塞。

2. DeepSpeed-Ulysses的优化公式
两次All-to-All的通信量计算：

第一次通信（QKV收集）：3Nh/P（Q、K、V三个张量）；
第二次通信（结果分发）：Nh/P；
总通信量：4Nh/P，复杂度降为O(N/P)。
关键优势：当N与P同比增长时（如N×2，P×2），通信量保持不变。例如：
- N=256K，P=64时，传统方法通信量为1024Kh，DeepSpeed仅为16Kh（减少64倍）；
- N=1M，P=64时，传统方法为4000Kh，DeepSpeed为62.5Kh（仅为1.56%）。

四、硬件拓扑与效率优化

1. 现代集群的网络架构支持

节点内：通过NVSwitch高速互联，All-to-All分解为节点内低延迟交换（如8个GPU间的直接数据传输）；
节点间：采用胖树IB拓扑，支持高带宽批量数据传输，避免跨节点通信瓶颈。

2. 通信-计算流水线机制

异步执行模式：
1. GPU在发送Q/K/V分片的同时，启动部分计算任务；
2. 接收完整Q/K/V后，立即开始注意力计算，将通信延迟隐藏在计算过程中。
效果：实测显示，该机制可使通信效率提升30%-40%，尤其适用于长序列的分块计算。

五、实验验证与实际价值

1. 性能对比数据

在70亿参数GPT模型上，DeepSpeed-Ulysses支持512K序列长度，而Megatron-LM仅支持128K；
吞吐量方面，DeepSpeed达175 TFlops/GPU，是Megatron-LM的2.5倍（硬件峰值利用率54%）。

2. 长序列训练的扩展性

当序列长度从64K增至1M时，DeepSpeed通过增加GPU数量（如从16增至256），保持通信量恒定，实现线性扩展；
内存占用方面，结合ZeRO-3优化，单GPU显存占用从O(N²)降至O((N/P)²)，支持百万级token训练。