优雅谈大模型：白话ZeRO

--->更多内容，请移步“鲁班秘笈”！！<---

并行策略

正如和分布式一样，如何利用多设备和多硬件也是很重要的一个环节。大模型训练也是如此，如今训练大模型离不开各种分布式并行策略，常用的并行策略包括：

• 数据并行（data parallelism, DP）：假设有N张显卡，每张显卡都加载完整的模型，每一次迭代（iteration/step）都将一个批次的训练数据据分割成N份系统大小的小批次（micro-batch），每张显卡按照自身拿到的小批次数据进行独立的计算梯度，然后调用AllReduce计算梯度均值，进而达到所有的卡的参数更新后始终保持一致。

下图为其中一种算法，将所有的梯度分为五份，然后按照圆圈的方式传播（而不是广播数据）累加，直到每个GPU都完成一个部分的累加，然后再批量同步数据。

经过五次循环之后，每个GPU再将各自负责的那部分数据直接同步给其他显卡，避免多次广播运算。

• 模型并行（model parallelism/tensor parallelism, MP/TP）：有的模型tensor/layer很大，单张卡无法加载，因此将tensor切分多块，一张显卡存其中一块。

• 流水并行（pipeline parallelism, PP）：按照神经网络按层进行切割，划分成多个小组，一张显卡存放一组。

由于数据并行简单易实现，应用最为广泛。然而每张显卡都存储完整的模型，此时显存大小成为了瓶颈。例如若存在2张显卡，那么系统中就存在2份模型参数，如果有4张卡，那么系统中就存在4份模型参数，如果有N张卡，系统中就存在N份模型参数，而其中N-1份其实都是冗余。那么有新的办法来解决这个问题没有，ZeRO就是其中的一种方法。

初识ZeRO

零冗余优化器（Zero Redundancy Optimizer，简称ZeRO）是一种用于大规模分布式深度学习的新型内存优化技术。ZeRO可以在当前一代GPU集群上训练具有100B参数的深度学习模型，吞吐量是当前最佳系统的吞吐量的三到五倍。它还为训练具有数万亿个参数的模型提供了一条清晰的路径，展示了深度学习系统技术的前所未有的飞跃。同时ZeRO也被集成到了DeepSpeed，它是用于加速分布式深度学习训练的高性能类库。

在搞清楚ZeRO之前需要先明白在模型训练时候，显卡的占用情况。一般而言，模型在训练的时候会不断地更新参数，目前采用的都是梯度下降法。而混合精度训练（mixed precision training）和Adam优化器基本上已经是目前训练模型的标配。

Adam在SGD基础上，为每个参数梯度增加了一阶动量（momentum）和二阶动量（variance）1。混合精度训练，字如其名，同时存在fp16和fp32两种格式的数值，其中模型参数、模型梯度都是fp16，此外还有fp32的模型参数，如果优化器是Adam，则还有fp32的momentum和variance。

<大白话， Adam 是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重!!>

回过头来看看显卡中的数据分类，一般而言可以分为两类：

• 模型状态（Model States）由模型参数（fp16）、模型梯度（fp16）和Adam状态(FP32的模型参数副本，FP32的Momentum和FP32的Variance)。

假设模型参数量为Φ ，则共需要2Φ+2Φ+(4Φ+4Φ+4Φ)=4Φ+12Φ=16Φ 字节存储空间。从这个统计中可以发现，其实Adam优化器占据了75%的空间。<若读者要微调3B的模型，那么则需要48B的空间！！！>

• 剩余状态（Residual States）: 除了模型状态之外的显存占用，包括激活值（activation）、各种临时缓冲区（buffer）以及无法使用的显存碎片（fragmentation）。

ZeRO是为了克服数据并行性和模型并行性的局限性，同时实现两者的优点。它通过在数据并行进程中对模型状态（参数、梯度和优化器状态）进行分区，而不是复制它们，从而消除了数据并行进程之间的内存冗余。同时采用动态通信计划在分布式训练设备之间共享必要的状态，以保持数据并行性的计算粒度和通信量。

如何来解读上图，蓝色就代表模型参数数Φ（若每个参数类型是FP16，则为2Φ字节），橙色代表模型梯度数Φ，K为优化器Adam的参数量系数，即KΦ。

• 第一行是没有任何优化的情况下，假如训练的模型规模为7.5B，则单卡需要120G的内存。

• ZeRO首先进行分区的是模型状态中的Adam优化器，也就是上图第二行的Pos ，这里os指的是optimizer states。模型参数（parameters）和梯度（gradients）仍旧是每张卡保持一份，此时，每张卡的模型状态所需显存是4Φ+12Φ/N字节，当N比较大时，趋向于4Φ，也就是原来16Φ的1/4 。这个时候单卡内存需求量降低到31.5G。

• 若继续对模型梯度进行分区，也就是第三行的Pos+g ，模型参数仍旧是每张卡保持一份，此时，每张卡的模型状态所需显存是2Φ+(2Φ+12Φ)/N，当N比较大时，趋向于2Φ ，也即是原来16Φ的1/8。这个时候单卡内存需求量再次降低到16.66G。

• 最后若继续对模型参数进行分区，也就是最后一行的Pos+g+p ，此时每张卡的模型状态所需显存是16Φ/N，当 N比较大时，趋向于0。这个时候单卡需要的内存量仅仅需要1.9G。

在DeepSpeed的训练框架中， Pos对应ZeRO-1， Pos+g对应ZeRO-2， Pos+g+p对应ZeRO-3，而一般在生产中ZeRO-1就足够使用。