DeepSpeed系列 -- 1 - 初识DeepSpeed

律白

已于 2022-07-10 18:05:10 修改

阅读量4.3k

点赞数 3

分类专栏：机器学习文章标签：机器学习人工智能神经网络

于 2021-12-18 17:48:42 首次发布

本文链接：https://blog.csdn.net/RogersStar/article/details/122014612

版权

机器学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文为DeepSpeed的入门介绍，通过以下维度帮助各位看官了解什么是DeepSpeed:

What: DeepSpeed是什么？
Why: DeepSpeed解决了什么痛点？
How: DeepSpeed是怎么解决这个痛点问题的？（这个下周更）

近年来机器学习一直是一个很热门的话题，它在视觉，自然语言，语音等领域突不断突破，达到新的高度。之所以有不断有新的成果涌现，我理解大厂们开源的机器学习框架功不可没，例如Tensorflow，Pytorch。框架提供了完善的基础设施，例如丰富的算子，配套齐全的调试优化工具等，尽可能简化工程师搭建机器学习模型的难度，从而降低了机器学习门槛，让新人快速上手。
但这种和谐的场面正面临这严峻的挑战，原因来源于机器学习的模型大小增加急速膨胀中。以自然语言处理领域来说， Transformer网络的参数是*，然而GPT-3模型的参数已经高达173Billion，不时还有参数量高达万亿的模型刷爆头条。这级别参数量的模型所需的内存以及算力已经不是少量GPU卡能够hold住，它可能需要一个gpu集群来提供足量的算力。此时需要将参数和模型合理的分配的不同的机器上，以便充分利用各台机器的内存和算力，避免出现木桶效应。而传统的框架像tensroflow和pytorch对大规模的分布式模型的的支持不完善。DeepSpeed框架便是用于部署大规模分布式训练模型的。

初识DeepSpeed

一句话来说，DeepSpeed是微软开源的应用与大规模分布式训练的一个机器学习的框架。各位看官，如果看到这里，你注意到了上句中的大规模分布式训练和机器学习的框架两个词组，你就明白了DeepSpeed是什么了。接下来我说一下这两个概念
机器学习，顾名思义，就是机器学习人类对事物的认知。这个学习的过程就是模型的训练过程。不同的模型其复杂度也是不一样的。在机器上量化模型这个复杂度主要有两个宏观的指标：占用的内存和单次迭代的时间。训练任务越复杂，模型越大，占用的内存越大和单次迭代的时间越长。
按照模型的复杂度，我将机器学习的模型训练分为三个阶段：

1: 新手玩家阶段：一人一卡一模型，一个小时来搞定！

模型不大时，一台机器上的一张卡几个小时就可以完成训练。

2: 氪金玩家阶段：多卡协作训模型，就看通信灵不灵！

随着模型增大，单次迭代时间随之增长，训练次数也可能增加，导致一张卡需要非常长的时间才能训完，例如三个月或者更长。这对于很多AIer是不能接受的，因为训练中可能需要调整超参，导致实际训练的时间更长，这时间成本对于AIer来说往往是不可接受的，因此聪明的AIer开始探索多张卡协作来加速训练过程，协作方式主要有两种：

参数服务器模式（Parameter-Server, 简称PS模式）：网络结构和训练参数分开。训练的参数放在单独的设备上即参数服务器（PS），从而打到减少单张卡所需的内存。训练过程中需要的参数从参数服务器拷贝到计算设备上，计算完成后再拷贝会参数服务器。
环形模式（RingAllReduce）：网络结构和训练参数不分开。所有设备地位等同，通过建环的方式完成参数的通信。

3: 土豪玩家阶段：超级多卡合起来，超大模型训起来。

如何在有效的时间内训练好一个复杂庞大的模型，是AIer面临的一个问题。

大规模分布式训练

大规模分布式网络的明显特征是单张卡的内存放不下整个模型（权值，梯度值，优化器的状态值，以及前向训练中的中间值），假设模型所需的内存是M，单卡的内存N，则M >> N。这是大规模分布式训练面临的关键问题，解决方案无非就是两个思路：开源和节流。下面分别介绍开源和节流的方案：

节流

节流，即尝试减少M，是M < N，此时模型就可以在单张卡上运行了。节流的策略有：

激活重计算（Activation-Recompute）: 在前向网络中标记少量的 Tensor ，前向计算就只会保留这些被标记的 Tensor，其余前向的 activation会通过在反向传播中根据被标记的Tensor 临时重新计算一遍。这样就使得大量的 activation 不需要一直保存到后向计算，有效减少了大量 Tensor 的生命周期。
负载均衡（CPU-Offload）: 在深度学习中，GPU 显存（Device Memory）的特点是昂贵、高速且容量小，而 CPU 的主存（Host Memory）的特点是便宜、相对低速和大容量；那么将前向计算中的一些
暂时用不到的 activation 临时换出到 CPU 主存上，等到反向计算需要时再换入到 GPU 显存里，通过这种方式也可以节省显存。