大模型入门（三）—— 大模型的训练方法_从零开始训练大模型

作者：酷酷是懒虫 | 2024-06-27 05:34:54

踩

从零开始训练大模型

前言

随着现在的模型越来越大，训练数据越来越多时，单卡训练要么太慢，要么无法存下整个模型，导致无法训练。当你拥有多张GPU（单机多卡，多机多卡）时，你就可以通过一些并行训练的方式来解决你的问题。常见的并行方法有以下四种：

数据并行（DP）： 每个GPU都加载全量模型参数，将数据分割成多块输入到每个GPU中单独处理，但在计算loss和梯度时会有同步机制。

模型张量并行（TP）： 每个tensor被分割成多块（根据场景按行或者列分割）存储在不同的GPU上，每个GPU单独计算，最后同步汇总到一块，类似于transformer中的多头，假如每个头的计算都在一张单独的gpu上，计算完后将所有gpu的结果concat到一起再分发到每张gpu上。

流水线并行（PP）： 将模型按照层拆分，不同的层存储在不同的gpu上，类似于流水线的形式，数据先进入到前面的层，输出结果传到其他GPU上进入到后面的层。反传同理。

ZeRO： 属于数据并行的范畴，但又很不一样，在ZeRO中会将模型参数、优化器参数、梯度等分片到不同的GPU上，ZeRO的方法可以配合张量并行或者流水线并行一起使用，但在配合TP或者PP时，通常只启用优化器参数的分片，其他的分片可能会带来不好的效果。此外ZeRO-offload还可以将一些计算量小且使用低频的参数放置在CPU上，比如优化器参数和参数更新的计算，或者混合精度训练时，fp32的参数，这些都可以放在CPU上，在不明显影响计算效果的同时，节约GPU显存。

数据并行

数据并行最常见的是DP（Data Parallel）和DDP（Distributed Data Parallel），DP和DDP的不同在于：

1）DP是基于多线程实现的，DDP是基于多进程实现的，每个GPU受单独的进程控制，不受GIL锁的限制。

2）DP只能在单机上使用，DDP单机和多机都可以使用。

3）DDP相比于DP训练速度要快，但并不绝对，有些场景下当GPU的通讯效率低时可能会更慢。

4）DP存在多次数据交换，DDP只存在一次梯度交换，且是通过GPU之间相互交换的方式融合所有的数据。

ZeRO数据并行

如上图所示，Baseline是指每张GPU都存储所有的参数，包括模型权重、梯度、优化器状态，除此之外其实还有激活层、临时存储，不可用的内存碎片等。

Pos：优化器状态分片

Pos+g：优化器状态和梯度分片

Pos+g+p：优化器状态、梯度和权重参数分片。

ZeRO相比于DP来说，主要在于各种参数分布在不同的GPU上，当在运行计算时，每个GPU会去同步完整的参数去计算。假如给定一个3层的模型，每层有3个参数：

给定3个GPU去分片存储不同的权重块：

给定输入当到达La层时，在GPU0上只有a0参数，此时GPU0会从GPU1和GPU2上同步a1和a2组合成完整的参数进行计算，计算完后就释放参数，对于GPU1和GPU2同理。所以这里和张量并行是不太一样的，这里会同步全量的参数。

流水线并行

流水线并行是将模型按层拆分存储到不同的GPU上，假定给定一个8层的模型和2个GPU，如下所示：前4层在GPU0上，后4层在GPU1上，在前向计算过程中先在GPU0上计算，然后将GPU0上的输出同步到GPU1上计算。反向传播同理。

流水线并行的方式存在一个问题，后面层需要等前面的计算完才能开始计算，会导致GPU在一段时间是闲置的，如下图所示：

为了让GPU的闲置时间减少，在流水线并行的思路上引入数据并行，将原来的mini batch分割成更小的macro batch，让整个训练如下图所示：

张量并行

张量并行是将一个完整的tensor分割成多块存储到不同的GPU上，流水线并行解决不了一个GPU无法存储一个模型layer的情况，而张量并行可以解决这类问题。

在transformer架构中主要是有线性层和GeLU一类的激活函数组成，对模型的权重按照行或者列分块时，线性矩阵运算如下：按照列拆分权重时，输入不需要拆分，最终通过concat组合结果；按行拆分权重时，输入也需要拆分，最终通过相加组合结果。从这里的特性也可以知道，假定一个函数为GeLU(XA)B，对于激活函数里面的A按列拆分可以在单个GPU中完成激活计算，此时对应的B可以按行计算，以上所有操作都可以只在各自的GPU中完成，较少通信操作，最后才同步合并结果。