Trick 1:CPU offload (CPU卸载)
用额外的通讯开销换取显存。对于模型计算的中间结果(activation,优化器状态等),暂时放到内存(CPU)中,计算需要的时候再放回显存(GPU)中,需要占用传输带宽;
Trick 2:checkpointing (recompute,重计算)
用额外的计算换取显存。即在前向传播时,删除一些暂时用不到的中间激活结果以降低内存,在反向传播时,再根据需要临时进行前向计算恢复;
Trick 3:量化压缩
量化通过减少参数表示的位数来减小模型存储量和计算量,通常会带来一定的模型精度的损失;
Trick 4:通信算子
Trick 5:Ring ALL reduce
Scatter Reduce,每个服务器将参数分为N份,在相邻服务器传递,传递N-1次(Scatter),每个服务器将得到的参数累积起来(Reduce);
All Gather,将每一份参数的累积同步到所有服务器上去;
总的来说ALLreduce就是对所有服务器上的数据做一个规约操作(如最大值、求和),再将数据写入服务器,如图:
Trick 6:混合精度
模型通常使用float32精度进行训练,随着模型越来越大,训练的硬件成本和时间成本急剧增加。采用float16精度进行训练可以解决这一问题。但是随着模型的训练,梯度值太小小,超出float16表示的精度,导致权重都不再更新,模型难以收敛。
因此模型训练采用混合精度,即训练中模型权重以及梯度使用float16,优化器参数使用float32。同时优化器保存一份float32的权重,以及两个参数状态(均值和方差)。具体的更新步骤如下图:模型使用float16进行前向传播,计算损失值。然后反向传播得到float16的梯度;通过优化器将float16的梯度转化成float32精度的权重更新量;更新float32的权重;将float32的权重转换成float16;
- 主要的显存占用分析
假设一个参数量为X的模型,模型的参数和梯度使用float16,则消耗的显存分别为2X和2X;优化器存储一个float32的模型副本,则会消耗4X的显存,同时存储两个状态参数,分别消耗4X和4X的显存,则总共需要16X的显存。对于GPT-2这样1.5B参数的模型,消耗至少24GB显存;
Trick 7:内存加速
零冗余优化器(Zero Redundancy Optimizer,Zero),一种高效的内存优化技术,可以克服数据并行和模型并行的缺点。在标准的数据并行中,每个GPU需要保存独立的权重、梯度和优化器状态。ZeRO是一种高效的数据并行策略,通过对模型状态(1优化器状态、2梯度和3权重)进行划分后存储在单个的GPU上,然后需要的时候通过动态通信调度来降低单卡显存占用。
7.1 优化器状态划分
将优化器状态划分成Nd,每一份存到不同的GPU上。每个GPU需要存储和更新总优化器状态的1/Nd。显存占用:假设在标准的数据并行中,优化器消耗的显存占用是KX。显存占用从原始的4X+KX降低至4X+KX/Nd。当Nd很大时,后者可以忽略不计。
7.2 梯度划分
在优化器状态划分的基础上,将梯度划分成Nd,每一份存到不同的GPU上。显存占用降低至2X+(2X+KX)/Nd。当Nd很大时,后者可以忽略不计。
7.3 参数划分
在前两者的基础上,将参数划分成Nd,每一份存到不同的GPU上。在前向和反向传播时,用broadcast获取完整参数。显存占用降低至(4X+KX)/Nd。只要有足够数量的显卡,ZeRO能够适应任意大的模型。
Trick 8:模型加速
8.1 数据并行
不同设备执行相同模型,不同数据;
8.2 朴素模型并行加速
当一个模型大到单个GPU无法训练时,最直接的想法是对模型层进行划分,然后将划分后的部分放置在不同的GPU上。整个朴素层并行前向传播和后向传播。假设有两个GPU,GPU1执行前向传播,并将激活(activations)缓存下来。然后将中间结果发送给GPU2,GPU2完成前向传播和loss计算后,开始反向传播。当GPU2完成反向传播后,会将中间的梯度返还给GPU1。GPU1完成最终的反向传播;如图:
- 缺点
低GPU利用率。在任意时刻,有且仅有一个GPU在工作,其他GPU都是空闲的。
计算和通信没有重叠。在发送前向传播的中间结果(FWD)或者反向传播的中间结果(BWD)时,GPU也是空闲的。
高显存占用。GPU1需要保存整个minibatch的所有激活,直至最后完成参数更新。如果batch size很大,这将对显存带来巨大的挑战。
8.3 GPipe
GPipe将minibatch划分为更小且相等尺寸的microbatch来提高效率。前一个计算设备计算出该microbatch对应的结果会马上传给下一个计算设备,同时接着对下一个microbatch进行计算。这样能同时进行通信和计算。Fi,j表示模型的第i+1层对第j+1个microbatch进行forward,Bi,j表示模型的第i+1个层对第j+1个microbatch进行backward。最后会以mini-batch为单位将各个设备上的梯度汇总在一起进行参数更新,即梯度累积。但是设备还是会有一段闲置时间,这被称为bubble。如图:
8.4 合并数据并行与模型并行
对于流水线并行。每个GPU需要与下个流水线阶段(前向传播)或者上个流水线阶段(反向传播)进行通信。
对于数据并行。每个GPU需要与分配了相同层的GPU进行通信。所有层的副本需要All Reduce后对梯度进行平均。
因此,任意给定的GPU都会有两部分的通信,一个是与包含所有相同层的GPU(数据并行),另一个与不同层的GPU(流水线并行)。如下图,水平方向是完整的一个模型,垂直方向是相同层的不同副本:
8.5 张量并行,又称模型并行
张量并行的核心是将矩阵乘法进行拆分,分配到多个GPU上计算,降低对单个GPU的计算需求。张量并行(TP)需要大量通讯,因此不建议跨多个节点进行张量并行。实际中,若一个节点有4个GPU,最高的张量并行度为4。
一维张量并行,列并行将通信的结果进行拼接,行并行则是对通信结果相加。
8.6 Megatron-LM
针对Transformer的MLP和Attention结构提出了一种高效的张量并行方法。全连接层(MLP)和自注意力层(Sself-Attantion)的张量并行如下图,其中g指矩阵相加:
8.7 3D并行
基于流水线并行将模型按stage划分到不同的管道,每个管道处理一个模型的stage;基于张量并行将模型的每个stage按张量切分,划分成不同块;最后数据并行可以将这种2D组合扩展到任意数量的GPU上。
一个3D并行的例子:模型被分成4个stage,流水线并行度为4;每台机器有8张GPU,张量并行度为4,数据并行度为2;GPU分配如下图:
- 流水线并行:按照流水线并行度将模型分成submodel0~submodel4。
- 张量并行:在每个submodel内部按照张量并行度将submodel的权重切分成4份,每个机器内连续的8张GPU处理一个submodel。
- 数据并行:在每个stage内将submodel复制2份,分别处理2份不同的数据。
- 基于ZeRO的3D并行:允许每个GPU只保存训练步骤所需的一小部分数据(参数、梯度和优化器状态);
已知Transformer encoder的参数为:embedding(E),sequence(s),attention head(ah),vocabulary(v),hidden size(h),layer(n)
自注意力层(K,Q,V,线性变换)= h * h * 4
全连接层 = h * 4h * 2
词表 = v * h
输入 = s * h
设DP=8,TP=8,PP=16,使用基于ZeRO的3D并行,则单张GPU的模型参数量:
采用混合精度,单张GPU的存储开销:
8.8 优缺点分析
Trick 9: FLOPs计算
即floating point operations的缩写(s表复数),意指浮点运算数,理解为计算量。可以用来衡量算法/模型的复杂度。基于标准Transformer decoder结构的模型的FLOPs计算方法如下:
9,1 第一种方法
- Embeddings
2×seq_len×vocab_size×d_model
- Attention (Single Layer)
- Dense Block (Single Layer)
2×seq_len×(d_model×ffw_size+d_model×ffw_size)
- Final Logits
9,2 第二种方法
Total FLOPs≈6DN,其中D是总的训练tokens数,N是模型的参数量
如何学习大模型
现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。
作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。
我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI大模型视频教程
三、AI大模型各大学习书籍
四、AI大模型各大场景实战案例
五、结束语
学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。
再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。
因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
本文转自 https://blog.csdn.net/python122_/article/details/141253879,如有侵权,请联系删除。