【干货来了】大语言模型训练优化秘籍

在了解大语言模型训练优化秘籍之前，我们先来了解一下大语言模型训练面临的挑战，以此进行针对性的训练优化。

大语言模型训练面临的挑战

随着模型参数量规模的增大，资源和效率逐渐成为制约模型训练的因素。

按照摩尔定律的预测，芯片的集成度每 18 ∼ 24 个月便会增加 1 倍，这意味着单位计算性能大约每两年翻1倍。

模型参数量不超过 10 亿个时，对资源的需求未触达单机硬件的极限。

随着大语言模型技术的进步，模型的参数量每年增长 10 倍，很快透支了处理器的富余算力。

另外，处理器的存储资源并未遵循摩尔定律的增长规律，其集成度仅呈线性增长趋势。

因此，大语言模型天然地对训练工程提出了多机分布式要求。

要实现大语言模型的分布式训练，首先要关注的问题是怎么切分数据。

在传统的分布式系统设计中，根据数据是否有冗余，存在副本与分片两种基本模式。

在大语言模型的训练中，模型参数和训练样本都是要被切分的对象。

根据数据冗余情况、切分内容、切分方法等划分标准，训练工程提出了数据并行、模型并行、流水线并行、张量并行等不同的分布式技术。

这些分布式技术，或提高模型训练的参数规模，或提高训练过程中计算资源的利用效率，最终达到加速训练的目的。

在解决了基本的模型与数据切分后，大语言模型的预训练和微调仍无法在几个小时内完成。

训练大语言模型需要投入巨大的资源。

以 LLaMA2 模型为例，训练参数量规模为 70B 的模型需要投入累计 170 万卡时，相当于 1,000 张卡训练 70 天。

大量的资源投入会引起边际效用的下降，因此，提高资源投入的边际效用也是训练工程关注的重要课题，常见做法是尽量消除系统中各级传输的瓶颈。

在长时间的大规模训练中，软件或硬件故障不可避免，集群故障的及时发现和恢复速度对训练效率有很大的影响。

此外，监控与容灾也是大语言模型训练工程需要特别关注的技术。

大语言模型训练优化秘籍

分布式训练技术解决了大语言模型训练面临的两个最主要的问题—— 模型参数量大和训练数据量大。

如果要保障端到端训练的吞吐量，就还有需要优化的问题，如I/O 优化、通信优化和稳定性优化。

I/O 优化

大语言模型训练场景下的 I/O 优化有一些常规方法，如增加进程数量以提升数据并发处理效率，通过数据预获取（Prefetch）降低等待时延，优化内存（如 Pin Memory）以提升复制效率，等等。

这些方法在深度学习框架中通常都有内置的支持，也可以通过配置进行完善。

还有一些需要关注的 I/O 问题，如训练数据量比较大，通常有几 TB∼几百 TB，这对存储的要求比较高，既需要大存储容量，又需要高吞吐性能。

需要高吞吐性能的原因是大语言模型需要多节点并行训练，并且每个节点都需要频繁访问存储、加载训练数据，节点越多，对吞吐性能的要求就越高。

除此之外，需要具备足够的容错能力。这对于现有的存储系统是比较大的挑战。具体的优化方案有以下两种。

优化方案一：高可用的大容量存储服务+本地缓存。这种方案适用于训练数据量为 TB 级别的情况，本地缓存（当前磁盘容量通常都是 TB 规格）可以完全满足存储需求。训练数据对于模型性能的重要性不言而喻，因此，高可用（容错能力）的大容量存储是必要条件。本地缓存可以很好地满足数据的高吞吐需求。训练开始前，要先通过数据预热将训练数据同步至各个计算节点的本地缓存。由于一次模型训练过程通常包含多轮，因此，初始数据预热占用的同步时间在整个训练过程中的占比很低，而且本地缓存不受节点数量增加的影响，可以保证每个节点具有同等的吞吐性能。本地缓存数据加速过程如图所示，该过程包括数据预热和加载数据两个关键步骤。

（1）数据预热：大容量存储服务，将训练数据分发至所有计算节点的本地缓存。

（2）加载数据：计算节点从本地缓存读取训练数据，无须访问远程大容量存储。

数据预热时需要将一份数据快速分发到多个计算节点。传统的做法是：设置一定的并发量，每个计算节点分别从远程中心存储加载数据。这种方式的中心存储很容易成为瓶颈，效率不高。可优化为采用 P2P 链式分发，即部分节点先从中心存储获取数据副本，当这些节点得到完整副本后也变成数据服务，并向其他节点分发数据。这样做效率更高，性能可提升数倍。

优化方案二：高可用的大容量存储服务+高性能的分布式缓存。前者需满足容量和容错能力的需求，后者解决本地缓存容量过小的问题，同时满足高吞吐性能。该方案适用于训练数据量为几十TB∼几百TB 的场景，若本地缓存容量过小，在这类场景中将无法存放完整的训练数据。因为训练数据的使用规律是每轮只使用 1 次，且每轮都对数据进行随机打乱（Shuffle），所以本地缓存的数据难以被复用。如图 9.12 所示，分布式缓存利用训练节点的本地缓存组成一个大的分布式缓存服务，解决本地缓存容量过小的问题，并通过以下两点满足对吞吐量的要求。

（1）Read-Through 读取：在读取数据时优先从本地缓存中读取，速度最快。

（2）Read-Neighbour 读取：如果在本地缓存中检索不到数据，则从邻居节点中读取，其速度优于直接从远程读取。

通信优化

大语言模型训练通常需要多机、多节点并行计算，合理的通信优化能有效地提升训练吞吐量。

不同的分布式并行技术对通信带宽的要求不同，因此，针对不同的硬件环境，需要选择最适合的分布式并行方案，并针对不同的数据量和模型特点做针对性的优化，从而达到最好的通信效率。

图 9.13 为 NVIDIA CPU 多机、多节点的链接拓扑，单机内的节点通过NVIDIA 专有高速链接（NVLink，带宽为 300Gbps 以上）通信，多机之间通过以太网（带宽为 100Gbps∼200Gbps）或者 RDMA 网络 (带宽为 800Gbps 以上) 通信。

首先，需要根据网络条件选择使用哪种并行方案。

如果网络是普通的以太网，则多机之间的带宽容易成为通信的瓶颈。首选方案是混合并行（或三维并行）。将需要高通信量的数据并行和张量并行安排在单机内，这样可以充分利用单机内的高速通信（如 NVLink）。

然后，多机之间采用流水线并行，这样多机之间只需要同步中间结果，通信量远小于模型权重参数。

次选方案是分层 ZeRO3 方案。相比于原生 ZeRO3 方案，前者可以降低网络通信瓶颈的影响。

如图 9.14 所示，该方案利用单机内的高速通信，只在单机内切分权重参数，可有效降低权重参数同步的时延。

由于多机之间需要进行梯度同步，因此能明显观察到通信时延的影响。虽然混合并行方案比流水线并行方案的性能好，但是需要深入适配模型代码，实现难度较高。

虽然流水线并行方案的性能不如混合并行方案，但是更容易实现，且性能优于原生 ZeRO3 方案。

混合并行方案和流水线并行方案的扩展性都受限于单机的计算能力，模型参数量的规模不能随着机器数量的增加而扩展。

RDMA 网络是大语言模型训练比较理想的网络条件。与以太网相比，RDMA 网络的吞吐量增加了 4 ∼ 8 倍，时延减少了 90%（从 50µs 降至 5µs）。

如图 9.15 所示，相比传统 TCP/IP 通信，RDMA 通信可以跳过内核操作，将数据从用户态直接发送到网络，实现低时延、高吞吐。选择分布式并行方案时，网络通信不会成为限制因素。

首选方案是采用 ZeRO3 算法，此方案容易实现，模型参数量可随机器数量的增加而增加。

备选方案是混合并行，根据网络拓扑和模型网络结构适配设计张量并行、流水线并行和数据并行的数量。此方案可达到更高的吞吐量，但实现难度较大。

RDMA 网络的缺点是不够成熟，维护配置难度较大，稳定性不如以太网，因此在使用RDMA 网络时，需要从软件层面做一些配置优化。常见优化如下。

（1）网络“参数面”调优：这关系到 RDMA 网络的性能和稳定性，需要专业网络工程师的支持。出于对成本的考虑，RDMA 网络一般会选择 RoCE 方案实现，即 Infiniband 网卡+ 以太网交换机（不是 Infiniband 专用交换机）。要充分发挥 RDMA 网络的性能，需要建立不丢包的无损网络环境。而对于 RoCE 方案，PFC（Priority-based Flow Control，基于优先级的流量控制）可以解决网络拥塞，实现不丢包的无损网络。

（2）开启 GDRDMA，即允许数据在网卡和显存之间直接读写，无须经过内存复制，效率更高。通常可提升 20% ∼ 30% 的吞吐量。

（3）NCCL 调优：由于主要的硬件加速设备是 NVIDIA 显卡，所以 NCCL 是目前多机通信效率最高的选择。NCCL 包含大量可用于优化通信效率和稳定性的配置，如提升 Infiniband通信中断容忍度的 NCCL_IB_TIMEOUT 和 NCCL_IB_RETRY_CNT 等；便于优化 NCCL通信的调试日志，即 NCCL_DEBUG 和 NCCL_DEBUG_SUBSYS 等。

稳定性优化

由于模型参数量和训练数据量都比较大，因此大语言模型的训练周期较长，少则几天，多则一两个月。

训练过程包含大量的计算节点、网络设备，任何一个环节出现问题都会使训练无法正常完成。保障训练稳定进行，或者降低故障次数和 MTTR（Mean Time To Repair）非常重要。常见的故障包括计算节点单机故障（如 CPU、内存、磁盘、GPU 等出现故障）、网络中断（如网卡故障、网线脱落、交换机故障等），以及软件故障（如磁盘满、代码错误、集群维护性故障等）。可以通过以下方式规避故障问题。

（1）问题排查及预防：定期进行健康检测，提前发现问题，有针对性地进行改善。

单机层面：进行容量监控，设备及系统健康检测，及时发现并处理问题。

网络层面：流量监控和控制，避免无效流量对训练网络的影响，通过节点探访，及时发现并解决风险点。

软件代码层面：小规模数据量的 Demo 测试，保障所有代码路径有效测试（数据加载、前向及反向传播、模型文件保存等）。

（2）故障及时发现：包括两个方面，一是及时发现训练中断或训练异常卡住的情况；二是模型性能不收敛。前者通过监控一些指标就能发现，如所有节点的 CPU 利用率、日志更新的时间间隔等。后者需要监控模型的学习曲线（如 Loss 曲线），与正常情况比对。另外，大语言模型的性能不能完全由 Loss 曲线反映，需要定期对模型做评测，如有问题及时终止、及时调整（如超参配置等），重新开始训练。

（3）快速恢复：对于不同故障要做预案，当故障发生时，采取有效手段，快速恢复训练，降低故障的影响时长。如果机器故障率比较高，那么可以适当地配置一些资源用于替换。恢复训练需要的条件，包括代码、数据和模型权重参数保存文件。前两个条件是相对静态的，可以提前做好准备，比较容易实现。由于大语言模型的参数量通常比较大，因此模型的检查点文件通常达到 TB 级，需要选择合理的保存周期。周期太短，保存耗时累计会太高，而且需要占用大量的存储空间；周期太长，不利于故障后的恢复（例如若在保存周期的最后一步发生故障，将浪费整个训练周期）。保存周期需要根据具体情况（存储容量、存储性能和故障率）而定，通常以 2 小时左右为佳。

本文节选自2024年3月的新书《大语言模型：原理与工程实践》一书，

市场上缺乏大语言模型在实际应用方面的资料。

现有的资料多聚焦于理论研究，而具体的实践方法多被保密，难以获得实际操作的指导。

为了填补这一空白，轩辕大模型实践者杨青团队历经一年的实践和探索，决定分享他们的经验和成果，旨在为大语言模型的初学者和实践者提供快速入门和应用的途径。

作为真正的大语言模型实践者，他们拥有十亿、百亿、千亿等不同参数规模大语言模型的训练经验。

在本书中，这些经验都被毫无保留地融入其中，确保本书内容的实用性和深度，并且提供了代码资源，GitHub 社区（https:// github.com/Duxiaoman-DI/XuanYuan），用于持续更新作者团队的技术成果和见解。

本书一经上市便位居京东新书热卖榜日榜TOP 1 ！