大模型并行训练、推理框架Deepspeed简介_大模型推理框架

目录

• 一.简介
• 二.分布式训练方法
  • 1.数据并行
  • 2.张量并行
  • 3.流水线并行
• 三.ZeRO
  • 1.模型的显存占用
  • 2.ZeRO-1/2/3
  • 3.ZeRO-Offload
  • 4.ZeRO-Infinity
• 四.总结
• 五.参考

传送门：https://github.com/wzzzd/LLM_Learning_Note/blob/main/Parallel/deepspeed.md

一.简介

Deepspeed是微软推出的一个开源分布式工具，其集合了分布式训练、推断、压缩等高效模块。
该工具旨在提高大规模模型训练的效率和可扩展性。

它通过多种技术手段来加速训练，包括模型并行化、梯度累积、动态精度缩放、本地模式混合精度等。

DeepSpeed还提供了一些辅助工具，如分布式训练管理、内存优化和模型压缩等，以帮助开发者更好地管理和优化大规模深度学习训练任务。

此外，deepspeed基于pytorch构建，只需要简单修改即可迁移。
DeepSpeed已经在许多大规模深度学习项目中得到了应用，包括语言模型、图像分类、目标检测等。

二.分布式训练方法

如今的大模型训练，离不开各种分布式的训练框架，一般来说，并行策略包含：数据并行、模型并行、流水线并行。

1.数据并行

数据并行分为了两种模式：Data Parallel（DP）和 Distributed Data Parallel（DDP）。

Data Parallel（DP）
DP是一种单进程多线程的并行策略，只能在单机上进行训练，步骤如下：

• 单进程控制多GPU，即本质上是单进程多线程；
• 首先将模型加载到主 GPU 上，再复制到各个指定从 GPU；
• 将输入数据按照 Batch 维度进行拆分，各个 GPU 独立进行 forward 计算；
• 将结果同步给主 GPU 完成梯度计算和参数更新，将更新后的参数复制到各个 GPU。
  由于其是单进程控制多个GPU，故会存在GPU之间负载不均衡的问题，主GPU负载较大。

Distributed Data Parallel（DDP）
DDP采用 AllReduce 架构，多进程的方式，突破锁的束缚。在单机和多机上都可以使用。
负载分散在每个 GPU 节点上，通信成本（时间）是恒定的，与 GPU 数量无关，等于V/B（参数量/带宽）。
DDP不需要通过主GPU分发全模型的参数到每个GPU上。
使用ring-all-reduce的方式进行通讯，随着 GPU 数量 N 增加，总传输量恒定。也就是理论上，随着GPU数量的增加，ring all-reduce有线性加速能力。

2.张量并行

张量并行的原理是，将张量操作划分到多个设备上，以加速计算或增加模型大小；对模型每一层的层内参数进行切分，即对参数矩阵切片，并将不同切片放到不同GPU上；将原本在单卡中的矩阵乘法，切分到不同卡中进行矩阵乘法。训练过程中，正向和反向传播计算出的数据通过使用 All gather 或者 All reduce 的方法完成整合。

以transformer为例，该策略会把 Masked Multi Self Attention 和 Feed Forward 都进行切分以并行化。利用 Transformers 网络的结构，通过添加一些同步原语来创建一个简单的模型并行实现。

张量并行适用于模型单层网络参数较大的情况。同时缺点也是十分明显：

• 若环境是多机多卡，张量并行所需的all-reduce通信需要跨服务器进行链接，这比单机多GPU服务器内的高带宽通信要慢；
• 高度的模型并行会产生很多小矩阵乘法，这可能会降低GPU的利用率。

3.流水线并行

流水线原理是将不同的 layer 分配给指定 GPU 进行计算，流水线并行只需其之间点对点地通讯传递部分 activations。

具体步骤包括：

• 在流水线并行之中，一个模型的各层会在多个GPU上做切分。
• 一个批次（batch）被分割成较小的微批（microbatches），并在这些微批上进行流水线式执行。
• 通过流水线并行，一个模型的层被分散到多个设备上。
• 当用于具有相同transformer块重复的模型时，每个设备可以被分配相同数量的transformer层。
• 在流水线模型并行中，训练会在一个设备上执行一组操作，然后将输出传递到流水线中下一个设备，下一个设备将执行另一组不同操作。

流水线并行的方法，解决了超大模型无法在单设备上装下的难题，也解决了机器之间的通信开销的问题，使得每台机器的数据传输量跟总的网络大小、机器总数、并行规模无关。

常用的流水线方法有G-pipe、PipeDream、virtual pipeline等。

三.ZeRO

ZeRO（Zero Redundancy Optimizer）是一种去除冗余的并行方案，来自微软在SC 20 上发表的论文ZeRO: Memory Optimizations Toward Training Trillion Parameter Models.而Deepspeed库最初的就是关于ZeRO的官方实现。也是Deepspeed实现3D并行（数据、模型、流水线）的主要模块。

1.模型的显存占用

让我们来看看，当使用GPU训练模型的时候，显存中都被哪些东西占用。
从下图可以看到，GPU需要存储优化器状态（Optimizer States）、模型参数（Model Parameters）、激活值（Activations）、梯度（Gradients）、临时缓存（Temporary Buffers）等。

模型参数只是占用其中的一部分，当使用混合精度进行训练时，模型状态（Model Parameters+Optimizer States+Gradients）会站到一大半以上。

模型参数（Model Parameters）、梯度（Gradients）会使用FP16精度进行存储。优化器状态（Optimizer States）是进行梯度更新时用到的数据，例如使用Adam优化器时，除了需要保存以FP32精度存储的模型参数外，还需要以FP32的精度存储Variance和Momentum的参数值。

2.ZeRO-1/2/3

微软提出的ZeRO针对并行训练的场景，对模型状态（Model Parameters+Optimizer States+Gradients）提出了3种不同程度的分割。目的在于将数据、以及模型本身的参数、优化器的状态、激活函数的输出值、梯度等切分并放在不同的GPU上，以此实现并行训练。

ZeRO包含3种级别：

• ZeRO-1 : Optimizer States Partitioning（P_os）
• ZeRO-2 : Optimizer States & Gradients Partitioning（P_os+g）
• ZeRO-3 : Optimizer States & Gradients Partitioning & Parameters Partitioning（P_os+g+p）

（1）ZeRO-1

• 原理
  • 只对优化器Optimizer进行分片（与DDP过程相似）
  • 每个rank（gpu）单独负责 forward和backward过程，在完成backward后，梯度通过AllReduce来同步。
  • 每个rank只负责更新当前优化器分片的部分，由于每个rank只有部分分片的优化器state，所以当前rank会忽略其余的state。
  • 在更新优化器state后，通过广播或者AllGather的方式，确保所有的rank都收到最新更新过后的模型参数。
• 优点
  • 适合使用类似Adam进行优化的模型训练
    • 因为Adam拥有额外的参数m（momentum）与v（variance），特别是FP16混合精度训练。
  • 减少了4倍显存，通信容量与数据并行相同
• 缺点
  • 不适合使用SGD类似的优化器进行模型训练
    • 因为SGD只有较少的参数内存，并且由于需要更新模型参数，导致额外的通讯成本。
  • 只是解决了Optimizer state的冗余。

（2）ZeRO-2

• 原理
  • 对优化器Optimizer、gradients进行分片
  • Optimizer参数被分片，并安排在不同的rank上
  • 在backward过程中，gradients在不同的rank上独自进行reduce操作（取代了all-reduce，以此减少了通讯开销），每个rank独自更新各自负责的参数。
  • 在更新操作之后，广播或AllGather，保证所有的ranks接受到更新后的参数。
• 优点
  • 减少了8倍显存，通信容量与数据并行相同

（3）ZeRO-3

• 原理
  • 对优化器Optimizer、gradients、model parameter进行分片
    • AllReduce操作可以被拆分为Reduce与allgather操作的结合。
    • 模型的每一层拥有该层的完整参数，并且整个层能够直接被一个GPU装下。所以计算前向的时候，除了当前rank需要的层之外，其余的层的参数可以抛弃。
  • 每个rank计算forward过程
    • 使用AllGather获取模型该层所需的前置的层的参数。
    • 结束后释放掉不属于该rank分片的层的参数。
  • 每个rank计算backward过程
    • 使用AllGather获取该层所需要的层之前过程的参数。
    • 结束后释放掉不属于该rank分片的层的参数。
  • 使用Reduce对当前分片的参数的梯度进行累加。
  • 让每个rank根据聚合的梯度，独立更新参数。
• 优点
  • 内存减少与数据并行度和复杂度成线性关系。

3.ZeRO-Offload

Offload是一种通过将数据和计算从 GPU 卸载到 CPU，以此减少训练期间 GPU 内存占用的方法。该方法提供了更高的训练吞吐量，并避免了移动数据和在 CPU 上执行计算导致的减速问题。
在单张V100 GPU的情况下，用PyTorch能训练1.4B的模型，吞吐量是30TFLOPS，有了ZeRO-Offload加持，可以训练10B的模型，并且吞吐量40TFLOPS。

切分思路

下图中左图是一个使用混合精度的模型训练和参数更新过程。包含了4类节点：FWD、BWD、Param update、float2half。M表示模型的参数量，2M表示使用FP16（FP16 =2 Byte），4M表示FP32，12M表示3xFP32。

右图是使用Offload的流程，前后向（FWD/BWD) 这两个计算资源消耗较大的过程放到GPU上执行，参数更新和精度转换放在CPU上执行，也就是将Adam过程放在CPU上。

计算思路

CPU

• ① 保存着优化器状态
• ④ CPU中的每个数据并行线程，进行优化器状态分割的更新（p update）
• ⑤ 将参数分割移回GPU

GPU

• ② forward和backward过程都在GPU上进行
• ③ backward利用reduce-scatter计算求和均值，然后按照数据并行线程，将分割的梯度平均值卸载到CPU内存中（g offload）
• ⑥ 执行all-gather操作，收集所有更新后的参数（g swap）

在使用带有单张英伟达 V100 GPU 的机器时，可以在不耗尽显存的情况下，运行多达130亿个参数的模型，模型规模扩展至现有方法的10倍，保持有竞争力的吞吐量。

4.ZeRO-Infinity

模型参数量增长的速度，远快于GPU的喜爱内存增长速度，则存在内存墙问题。例如GPT1到GPT3，两年时间参数量从0.1B增长到了175B，而同期，NIVIDIA则只是从V100 32GB更新到A100 80GB。

ZeRO-infinity在ZeRO-Offload的基础上进一步优化，除了利用GPU显存和CPU内存外，还利用了NVMe磁盘空间。用了这些异构存储器，ZeRO-infinity突破了GPU内存壁垒。

infinity卸载引擎通过使用CPU和NVMe内存增加了可用于存储模型参数和激活的内存量；与前几代ZeRO不同，infinity引擎可以将整个模型卸载到这些位置。

以内存为中心的平铺是另一项新技术，它通过将大的模型层分解成较小的 "平铺 "来减少对内存的占用，这些平铺可以按顺序执行；这允许在不需要模型并行的情况下训练大型模型。

为了处理带宽问题，ZeRO-Infinity引入了以带宽为中心的分区，将模型参数划分到多个数据并行进程中，还有一个重叠引擎，同时执行NVM到CPU、CPU到GPU以及GPU到GPU的通信。

下图比较了 3D 并行和 ZeRO-Infinity 所能达到的最大模型规模，其支持每个 NVIDIA V100 DGX-2 节点 1 万亿个参数，相比 3D 并行增加了 50 倍。

四.总结

随着时间推移，模型会走向两个极端，一方面会越来越大，往世界模型的方向发展；另外一方面会相对变小，能够落地到具体的业务场景中应用。

不管站在哪一个角度，硬件和软件架构都是模型性能的瓶颈。期待更多像Deepspeed这类能提升大模型效率的工具在未来能够继续发展。

五.参考

• Microsoft/DeepSpeed
• ZeRO: Memory Optimizations Toward Training Trillion Parameter Models
• ZeRO-Offload: Democratizing Billion-Scale Model Training
• ZeRO-Infinity: Breaking the GPU Memory Wall for Extreme Scale Deep Learning
• 大语言模型（LLM）分布式训练框架总结
• DeepSpeed之ZeRO系列：将显存优化进行到底
• 数据并行Deep-dive: 从DP 到 Fully Sharded Data Parallel （FSDP）完全分片数据并行