大模型分布式系统

背景：

模型越来越大，训练复杂度越来越高，需要训练的时间也是越来越长。那么我们该如何在现有的硬件基础上对模型做训练呢。

模型规模的扩大，对硬件（算力、内存）的发展提出要求。然而，因为 内存墙 的存在，单一设备的算力及容量，受限于物理定律，持续提高芯片的集成越来越困难，难以跟上模型扩大的需求。

为了解决算力增速不足的问题，人们考虑用多节点集群进行分布式训练，以提升算力，分布式训练势在必行。

这篇文章会跟大家分享分布式计算的几种策略：数据并行、模型并行、混合并行，以及模型并行工程上常用的两种框架ps、ring-allreduce；然后会给大家介绍显存都消耗在哪些地方了；接着跟大家介绍如何针对显存消耗多的地方优化。

文章引用比较多的oneflow公司和清华大学的课程内容。

常见的并行策略¶

简单的机器堆叠并不一定会带来算力的增长。因为神经网络的训练并不是单纯的“把原来一个设备做的事情，现在分给多个设备各自做”，它不仅需要多个设备进行计算，还涉及到设备之间的数据传输，只有协调好集群中的计算与通信，才能做高效的分布式训练。

我们将以矩阵乘法的例子，解释数据并行、模型并行的区别。

先了解以下逻辑上的矩阵乘法例子:

假设神经网络中某一层是做矩阵乘法，其中的输入 x 的形状为 4×5，模型参数 w 的形状为 5×8，那么，矩阵乘法输出形状为 4×8。示意图如下：

单机单卡的训练中，以上矩阵乘法，先计算得到 out，并将 out传递给下一层，并最终计算得到 loss，然后在反向传播过程中，得到 aloss/aw，用于更新 w。

分布式训练中，依据是切分 x 还是 w的不同，分为“数据并行”和“模型并行”策略。接下来，我们介绍常见的并行策略。

数据并行¶

所谓的数据并行，就是将数据 x 进行切分，而每个设备上的模型 w是完整的、一致的。如下图所示，x被按照第0维度平均切分到2个设备上，两个设备上都有完整的 w。

这样，在两台设备上，分别得到的输出，都只是逻辑上输出的一半（形状为 2×8），将两个设备上的输出拼接到一起，才能得到逻辑上完整的输出。

注意，因为数据被分发到了2个设备上，因此反向传播过程，各自设备上得到的 会不一样，如果直接使用各个设备上的梯度更新各自的模型，会造成2个设备上的 模型不一致，训练就失去了意义（到底用哪个模型好呢？）。

因此，数据并行策略下，在反向传播过程中，需要对各个设备上的梯度进行 AllReduce，以确保各个设备上的模型始终保持一致。

当数据集较大，模型较小时，由于反向过程中为同步梯度产生的通信代价较小，此时选择数据并行一般比较有优势，常见的视觉分类模型，如 ResNet50，比较适合采用数据并行。

模型并行¶

当神经网络非常巨大，数据并行同步梯度的代价就会很大，甚至网络可能巨大到无法存放到单一计算设备中，这时候，可以采用模型并行策略解决问题。

所谓的模型并行，就是每个设备上的数据是完整的、一致的，而模型 � 被切分到了各个设备上，每个设备只拥有模型的一部分，所有计算设备上的模型拼在一起，才是完整的模型。

如下图所示，� 被按照第1维度平均切分到2个设备上，两个设备上都有完整的 �。两个设备上的输出也需要通过拼接才能得到逻辑上的输出。

模型并行的好处是，省去了多个设备之间的梯度 AllReduce；但是，由于每个设备都需要完整的数据输入，因此，数据会在多个设备之间进行广播，产生通信代价。比如，上图中的最终得到的 ��� (4×8) ，如果它作为下一层网络的输入，那么它就需要被广播发送到两个设备上。

语言模型，如 BERT，常采用模型并行。

流水并行¶

当神经网络过于巨大，无法在一个设备上存放时，除了上述的模型并行的策略外，还可以选择流水并行。 流水并行指将网络切为多个阶段，并分发到不同的计算设备上，各个计算设备之间以“接力”的方式完成训练。

如下图，展示了一个逻辑上的4层网络（T1 至 T4)是如何做流水并行的。

4层网络被切分到2个计算设备上，其中 GPU0 上进行 T1 与 T2 的运算，GPU1 上进行 T3 与 T4 的计算。

GPU0 上完成前两层的计算后，它的输出被当作 GPU1 的输入，继续进行后两层的计算。

混合并行¶

网络的训练中，也可以将多种并行策略混用，以 GPT-3 为例，以下是它训练时的设备并行方案：

它首先被分为 64 个阶段，进行流水并行。每个阶段都运行在 6 台 DGX-A100 主机上。在6台主机之间，进行的是数据并行训练；每台主机有 8 张 GPU 显卡，同一台机器上的8张 GPU 显卡之间是进行模型并行训练。

并行策略的选择影响着训练效率，框架对并行训练的接口支持程度，决定了算法工程师的开发效率。OneFlow 针对分布式训练所做的系统级设计和创新，为用户轻松上手分布式训练做足了铺垫。我们将在本专题的其它文章中看到相关示例。

分布式训练系统架构

分布式训练系统架构主要有两种：

• Parameter Server Architecture（就是常见的PS架构，参数服务器）

• Ring-allreduce Architecture

Parameter Server架构

在Parameter Server架构（PS架构）中，集群中的节点被分为两类：parameter server和worker。其中parameter server存放模型的参数，而worker负责计算参数的梯度。在每个迭代过程，worker从parameter sever中获得参数，然后将计算的梯度返回给parameter server，parameter server聚合从worker传回的梯度，然后更新参数，并将新的参数广播给worker。见下图的左边部分。

Ring-allreduce架构

在Ring-allreduce架构中，各个设备都是worker，并且形成一个环，如上图所示，没有中心节点来聚合所有worker计算的梯度。在一个迭代过程，每个worker完成自己的mini-batch训练，计算出梯度，并将梯度传递给环中的下一个worker，同时它也接收从上一个worker的梯度。对于一个包含N个worker的环，各个worker需要收到其它N-1个worker的梯度后就可以更新模型参数。其实这个过程需要两个部分：scatter-reduce和allgather，百度开发了自己的allreduce框架，并将其用在了深度学习的分布式训练中。

相比PS架构，Ring-allreduce架构有如下优点：

• 带宽优化，因为集群中每个节点的带宽都被充分利用。而PS架构，所有的worker计算节点都需要聚合给parameter server，这会造成一种通信瓶颈。parameter server的带宽瓶颈会影响整个系统性能，随着worker数量的增加，其加速比会迅速的恶化。

• 此外，在深度学习训练过程中，计算梯度采用BP算法，其特点是后面层的梯度先被计算，而前面层的梯度慢于前面层，Ring-allreduce架构可以充分利用这个特点，在前面层梯度计算的同时进行后面层梯度的传递，从而进一步减少训练时间。在百度的实验中，他们发现训练速度基本上线性正比于GPUs数目（worker数）。

显存消耗分析

cpu拥有更少的核数，更强大的core，适合来做复杂的逻辑处理、流程控制，通用性更强。

gpu拥有更多的核数，但是每个core的能力是相对弱的，适合来做简单的单一的事情，比如计算。

模型训练时候显卡主要花在哪些地方：

1.网络参数如上的绿色线指示W

2.网络训练用到的回传梯度蓝色线指示的deltaW

3.优化器的各种正则器比如Adam有两倍参数的数据

4.计算回传梯度的中间deltaY，这个和训练数据量、数据特征长度直接相关

数据并行显存消耗分析

前向计算

1.参数复制到每一个设备

2.每个设备利用部分数据计算参数

后向计算

1.梯度从每个分片回传计算均值

2.均值梯度更新参数

把数据广播到每个设备，每个GPU计算梯度要消耗显存，有网络开销

把每台设备的梯度回传到一台计算平均梯度，计算平均梯度设备有显存消耗

把计算完平均梯度传给每台设备，接受设备在更新参数时有显存消耗

计算平均梯度，其实还可以每台设备计算一部分参数的梯度，optimizer参数变成全量参数计算1/n

每部分梯度计算完后，在进行参数广播给其他设备（这种每天计算部分参数，在广播给其他设备，并行性会更好，但是网络开销更大，每台设备的峰值显存消耗会稍微小些）

数据并行，每台设备上计算的数据batch尺寸减小了，所以显卡内存intermediate消耗会减少。

模型并行显卡消耗分析

1.把参数矩阵分块，分发给每块设备

2.每块设备处理全样数据计算

模型并行计算：

1.参数变小了，分成多少块，参数量就是全有参数的1/n

2.梯度参数变成全部参数的1/n

3.优化参数变成全部参数的1/n

4.因为要对全量数据计算，所以每个batch参数是不变的，intermediate数据量不变

显存优化

ZERO参数优化策略

Zero-Stage1策略优化：

1.采用数据并行，intermediate参数变成全量数据1/n

2.梯度汇总的时候采用reduce scatter策略，每台设备计算一部分参数，optimizer参数变成全量参数计算1/n

3.需要更新全局参数时候在进行All Gather，对所有参数更新

显存消耗较多，适用于参数不大模型计算。

Zero-Stage2策略优化：

1.采用数据并行，intermediate参数变成全量数据1/n

2.每台设备计算梯度回传的时候采用reduce scatter策略，每台设备计算一部分参数，Gradient、optimizer参数变成全量参数计算1/n

3.需要更新全局参数时候在进行All Gather，对所有参数更新

Zero-Stage2策略优化：

1.采用模型并行+数据并行混合，参数变为全量1/n

2.采用数据并行，intermediate参数变成全量数据1/n

3.每台设备计算梯度回传的时候采用reduce scatter策略，每台设备计算一部分参数，Gradient、optimizer参数变成全量参数计算1/n

小结

1.Zero-1stage在静态链路上看，intermediate、optimizer显存减少为全量1/n

2.zero-2stage在静态链路上看，intermediate、optimizer、gradient显存减少为全量1/n

3.zero-3stage在静态链路上看，intermediate、optimizer、gradient、parameter显存减少为全量1/n

流水线并行策略

模型是一层一层的，所谓流水线并行就是：

1.每层模型分到不同的GPU上做计算

2.数据并行的计算

3.intermediate、optimizer、gradient、parameter显存减少为全量1/n

动态优化

同样是选择了zero策略+流水线策略，为什么deepspeed的框架和megatron、BMtrain、ColossalAI框架在Runtime时候显存消耗会出现很大的差异。这里主要原因是zero策略虽然是规定了大的规范，但是在实现时候计算流程从前到后传递参数，保留多久、何时丢弃、丢弃什么，各家的理解和实现都是有差异的。所以导致虽然都是zero策略、流水线策略用起来Runtime的显存消耗和计算速度差异很大。

实际运算中，一块Gpu配置多块cpu（一般是6-12块，看参数大小），在计算时候可以把optimizer参数部分卸载到cpu。

1.把梯度计算参数从gpu卸载部分到cpu减少显存

2.optimizer早cpu上处理用（openmp+SMID）

3.更新参数时候再把参数从cpu传给gpu

流水线并行，不用等到所有层都算完，再反过来计算每一层参数。可以异步每算完一层就把前面一层的参数修改，这样就只要记住上一次上一层的参数就可以。

重新计算释放的中间体，并在获得梯度状态后再次释放。减少显卡内存，以时间换空间。

利用异构的内存系统，在Runtime流程中各种工程技巧极限压缩显存使用。