Tranformer分布式特辑

随着大模型的发展，如何进行分布式训练也成了每位开发者必备的技能。

1. 单机训练

• CPU Offloading
• Gradient Checkpointing
  • 正向传播时，不存储当前节点的中间结果，在反向传播时重新计算，从而起到降低显存占用的作用
• Low Precision Data Types
• Memory Efficient Optimizers

2. 分布式

数据并行（DP）和模型并行（MP）

分布式通信基础：

• Broadcast: 把一个节点自身的数据广播到其他节点上
• Scatter：数据进行切片再分发给集群内所有的节点
• Gather: 把多个节点的数据收集到一个节点上
• AllGather：多个节点的数据收集到一个主节点上（Gather），再把收集到的数据分发到其他节点上（broadcast）
• Reduce：把多个节点的数据规约运算到一个主节点上
• ReduceScatter：所有节点上都按维度执行相同的Reduce规约运算，再将结果发散到集群所有节点上
• AllReduce: 多个节点的数据规约运算（Reducer），再把结果分发到其他节点上（broadcast）
  

类型基础：

3. FullyShardedDataParallel (FSDP)

• https://huggingface.co/docs/transformers/main/en/fsdp

4. ZeRO

zero的一些分布式设置

5. Deepspeed

a. Stage 1 : Shards optimizer states across data parallel workers/GPUs. 优化器状态切分 (ZeRO stage 1)

b. Stage 2 : Shards optimizer states + gradients across data parallel workers/GPUs. +梯度切分 (ZeRO stage 2)

c. Stage 3: Shards optimizer states + gradients + model parameters across data parallel workers/GPUs. + 参数切分 (ZeRO stage 3)

d. Optimizer Offload: Offloads the gradients + optimizer states to CPU/Disk building on top of ZERO Stage 2

e. Param Offload: Offloads the model parameters to CPU/Disk building on top of ZERO Stage 3

其中多数情况下，
速度对比：ZeRO-0> ZeRO-1> ZeRO-2> ZeRO-2+offload> ZeRO-3> ZeRO-3+offloads
显存对比：ZeRO-0 <ZeRO-1< ZeRO-2< ZeRO-2+offload< ZeRO-3< ZeRO-3+offloads

因此，选择时，从FSDP开始，如果显存不足，则依次尝试ZeRO-2，ZeRO-2+offload，ZeRO-3，ZeRO-3+offload_optimizer， ZeRO-3+offload_optimizer+offload_param. 其中offload_optimizer: 是为减少GPU显存,将优化器状态加载到CPU。ZeRO-2仅用于训练，推理时不需要优化器和梯度。ZeRO-3也可用于推断，模型分布加载到多个GPU。

• ZeRO-0：禁用所有分片，此时将DeepSpeed视为DDP使用 (stage默认值：0)

"zero_optimization": {"stage": 0}

• ZeRO-1：ZeRO第一阶段的优化，将优化器状态进行切分。

"zero_optimization": {"stage": 1}

• ZeRO2

"zero_optimization": {"stage": 2,"allgather_partitions": true,"allgather_bucket_size": 3e8,"overlap_comm": true,"reduce_scatter": true,"reduce_bucket_size": 3e8,"contiguous_gradients": true}

• ZeRO3

"zero_optimization": {"stage": 3,"offload_optimizer": {"device": "cpu","pin_memory": true},"offload_param": {"device": "cpu","pin_memory": true},"overlap_comm": true,"contiguous_gradients": true,"sub_group_size": 1e9,"reduce_bucket_size": 1e6,"stage3_prefetch_bucket_size": 4e6,"stage3_param_persistence_threshold": 1e4,"stage3_max_live_parameters": 1e9,"stage3_max_reuse_distance": 1e9,"stage3_gather_16bit_weights_on_model_save": true},

6. Megatron

• https://huggingface.co/docs/transformers/main/en/perf_train_gpu_many
• 下图来自bloom
  

7. Megatron-deepspeed

• https://github.com/bigscience-workshop/Megatron-DeepSpeed

Reference

• https://pytorch.org/docs/stable/distributed.html
• accelerate
• https://www.deepspeed.ai/getting-started/
• https://wandb.ai/byyoung3/ml-news/reports/A-Guide-to-DeepSpeed-Zero-With-the-HuggingFace-Trainer–Vmlldzo2ODkwMDc4
• https://github.com/huggingface/blog/blob/main/accelerate-deepspeed.md
• DeepSpeed之ZeRO系列：将显存优化进行到底 - basicv8vc的文章 - 知乎
• 从啥也不会到DeepSpeed————一篇大模型分布式训练的学习过程总结 - elihe的文章 - 知乎
• DDP系列第二篇：实现原理与源代码解析 - 996黄金一代的文章 - 知乎
• 关于Deepspeed的一些总结与心得 - 白板笔的文章 - 知乎
• deepspeed入门教程 - JOYWIN的文章 - 知乎
• deepspeed多机多卡训练踏过的坑 - 100110的文章 - 知乎
• https://www.zhangzhenhu.com/deepspeed/index.html
• https://github.com/hpcaitech/ColossalAI
• 模型并行训练：为什么要用Megatron，DeepSpeed不够用吗？ - 流逝的文章 - 知乎
• 如何判断候选人有没有千卡GPU集群的训练经验？ - 你的真实姓名的回答 - 知乎
• https://www.determined.ai/blog/tp
• https://imbue.com/research/70b-infrastructure/