参考
https://www.deepspeed.ai/tutorials/zero/#zero-overview
https://mmengine.readthedocs.io/zh-cn/latest/common_usage/large_model_training.html
介绍
训练大模型需要巨大的资源,单卡显存已经越来越难以满足存放整个模型,因此诞生了大模型训练技术,典型的如 DeepSpeed ZeRO 和 FairScale 的完全分片数据并行(Fully Sharded Data Parallel, FSDP)技术,其允许在数据并行进程之间分片模型的参数、梯度和优化器状态,并同时仍然保持数据并行的简单性。
DeepSpeed的Zero Redundancy Optimizer(ZeRO)通过在多个GPU之间分割模型的权重、梯度和优化器状态,显著减少了每个GPU所需的内存量。
这使得训练非常大的模型成为可能,而这些模型在没有ZeRO的情况下可能会因为内存限制而无法训练。
例子:训练一个1.5B参数的GPT-2模型
假设我们有一个具有1.5亿(1.5B)参数的GPT-2模型,我们想要在一个由8个NVIDIA Tesla V100-SXM3 GPU组成的集群上训练它。每个GPU有32GB的RAM。
没有ZeRO的情况:
- 我们尝试在每个GPU上使用默认的数据并行设置来训练模型。
- 由于模型的参数和优化器状态(例如Adam优化器的一阶和二阶矩估计)需要存储在每个GPU上,这会占用大量的内存。
- 结果是,每个GPU的内存需求超过了其可用内存(32GB),导致内存不足(OOM)错误。
使用ZeRO的情况:
- 我们通过修改DeepSpeed配置文件来启用ZeRO优化。
- 在配置文件中,我们设置
zero_optimization
键,将stage
设置为1,并设置reduce_bucket_size
为500MB。 - ZeRO将优化器状态分割到不同的GPU上,这样每个GPU只需要存储一部分优化器状态。
- 通过这种方式,每个GPU的内存需求从18GB降低到2.25GB,使得模型可以在8个GPU上顺利训练,而不会遇到内存不足的问题。
ZeRO的不同阶段
ZeRO分为几个阶段,每个阶段都提供了额外的优化:
- ZeRO-1:优化器状态被分割。
- ZeRO-2:模型的3梯度被分割。
- ZeRO-3:模型参数被分割,并且可以自动收集和分割。
此外,ZeRO-3还包括了Infinity offload引擎,它可以将模型状态卸载到CPU和NVMe内存中,从而实现巨大的内存节省。
总结
ZeRO技术使得训练大型模型变得更加可行,特别是在内存受限的情况下。通过减少每个GPU需要存储的数据量,ZeRO允许我们在现有的硬件上训练更大的模型,而无需进行代码修改。这为研究人员和开发者提供了更大的灵活性和可能性,以探索和训练先进的深度学习模型。