由于deepspeed在启用多卡推理的时候,需要进行多个进程的载入,会导致一份transformers的weights被多个进程重复加载,用来替换子图用,导致在载入的时候,如果基础weights过大,那么需要的hosts内存就会巨大无比。
以llama-65B来举例,如果切分成TP 16,那么所需的weights大小就是:
65B * 2 * 16大小,这在很多电脑上都吃不消。
deepspeed提供了meta载入的方式,但是依旧解决不了需要载入原始模型的问题,因为如果要切子图,就需要至少可以把原图载入进来。
将代码跟下去可知,deepspped在init_inference的时候,会有个一些通信算子,因此可以通过如下方式解决这个问题。
1. 多进程依次载入
2. 每次只执行1个进程的weights切分
3. 切分之后将子图保存。
4. 利用load_dict的方式,以meta加载原图,然后切分之后再将子图weights进行load_dict,从而达到每个进程只载入1/tp的weights的目的。