我们先来看模型训练过程中的显存占用,大模型的显存占用主要分布在两个地方:
1. 模型状态维护上
2. 激活值
这是ZeRO的论文:https://arxiv.org/pdf/1910.02054
先来看下混合精度训练, 根据ZeRO的论文,混合精度训练(Mixed-Precision Training)是当前训练大模型的SOTA的方式。这个方式上:
* 模型参数,及参与运算后计算出的激活值,以及反向传播时候的梯度值等,全部都是以fp16来存储。
* 模型梯度算出来之后,要用梯度来更新模型参数的时候,会用fp32来进行更新,也就是说,原始的参数有一份一直存着的fp32的副本。 然后一次迭代的流程应该就是(猜测):
* fp32的参数副本,转一份为fp16的参数
* fp16的参数参与运算,算出fp16的激活值,以及fp16的梯度
* fp16的梯度,转为fp32的梯度
* fp32的梯度被用到更新fp32参数的过程中
基于上述内容,来看
先来看第一块儿:模型状态维护
1. 参与训练forward及backward过程的部分:
模型参数本身,例如模型大小是7B,用fp16/bf16一个参数2个字节