人工智能GPU算力评估分析

GPU算力评估

一、 关于训练GPU的带宽

大模型训练算力需求：总算力(Tlops)=6倍模型参数量×训练数据token量，精准高效满足大规模训练需求。

需要把那么计算量和通信量的比例是多少？

• 3：指的是一次正向两次反向，反向是梯度和权重。
• 在Transformer模型中，heads num代表了自注意力计算的并行度。输入嵌入向量被分解为多个“头”，每个“头”独立执行自注意力运算。这种设计使得每个“头”仅需处理部分嵌入向量，显著降低了内存需求，提升了模型效率。优化后的Transformer模型通过heads num的设置，实现高效且精准的自注意力计算。
• "bytes per param"指的是每个参数的字节数。对于BF/FP16类型的参数，每参数占用2字节。除以该值，旨在将内存需求从字节量转化为参数数量，实现精准的资源评估。

若以每个head分配至一个GPU进行运算，并采用点对点通讯，基于4090的330 Tflops性能，为避免通信瓶颈，所需带宽至少为1.7 TB/s（330T / 384 * 2）。这一需求远超PCIe Gen4 x16的64 GB/s，即使NVLink的900 GB/s也难以满足。由此可见，高效通信技术在当前高性能计算领域具有极其重要的地位。

强调一点，注意力头（attention heads）在GPU间的分割，特指在训练大型深度学习模型（如Transformer）时，通过并行处理将不同注意力头分配到不同GPU，以优化计算效率。此分割通常限于单服务器内的多GPU操作，实现高效计算。

对于4090的330 Tflops性能，为确保通信无阻，所需带宽至少为859 GB/s（330T / 384），双向通信则翻倍至1.7 TB/s，远超PCIe Gen4 x16的64 GB/s带宽，确保高性能计算无瓶颈。

在应用张量并行时，不应过度细分工作负载，确保每个GPU处理足够多的attention heads。这样，由于多个attention heads共享输入矩阵X，输入矩阵的通信开销可以在这些heads之间分摊，从而提高计算量与通信量的比例。以NVIDIA 4090 GPU为例，其计算能力和单向通信带宽为330Tflops和32GB/s（因为64GB/s的带宽需要除以2来考虑单向通信）。这种情况下，计算和通信的比例至少需要达到10000，计算得张量并行的GPU数量应不超过2.4。这意味着，使用张量并行时最多只能使用两个GPU，超过这一数量，GPU的计算能力就无法被充分利用。

然而，当使用更为先进的NVIDIA H100 GPU，情况则有所不同。H100的峰值计算能力为989Tflops，而NVLink的双向带宽为900GB/s。这使得计算量与通信量的比例至少需要1100，计算得出张量并行的GPU数量可以达到11。这表明，在单机配置8张GPU卡进行张量并行是可行的，对于embedding size等于8192的模型，通信不会成为限制因素。

在优化模型性能时，对于embedding size为8192的模型，其参数存储与GPU数量的关系为：2 * 3 * 8192 / (GPU数量 * 2) ≥ 1100。经计算，张量并行GPU数量应不多于11个，即单机8卡配置恰好满足需求，确保通信不会成为性能瓶颈。这一配置优化了模型在GPU上的并行处理能力。

Llama3架构揭秘&FMOps

NVIDIA H200计算力等同H100，GPU显存与内存速度显著增强，将为用户带来前所未有的性能提升体验。

1. 显存提升的影响

• 大显存助力训练更大规模模型，支持更大batch size，显著提升模型性能与训练效率，实现更高效学习。

2. 内存速度提升的影响

二、3D并行

Tensor、Pipeline和Data三种并行策略分别针对模型层内、层间及训练数据，优化GPU资源分配。这三者的并行度相乘，即确定训练任务所需的总GPU数量，实现高效资源利用与训练效率提升。

数据并行，即各GPU独立处理不同输入数据，计算梯度后汇总平均，再广播至各GPU进行更新（allreduce）。此方式直观高效，实现模型参数的快速同步更新。

模型训练所需GPU内存涵盖模型参数、梯度、优化器内存及正向传播中的激活状态。确保充足资源，优化训练效率。

Pipeline parallelism（流水线并行）

当单GPU无法满足模型需求时，我们需借助多GPU实现model parallelism（模型并行），主要策略包括pipeline parallelism与tensor parallelism，确保高效并行处理大型模型。

面临的问题是，链上仅一个GPU工作，其余闲置。为提升效率，可将一个batch切分为多个mini-batch，实现并行计算，每个mini-batch独立处理，显著提升整体运算效能。

那么，是不是把 pipeline 搞的越深越好，每个 GPU 只算一层？

正向传播中间状态的存储容量随流水级数N成倍增长，对内存容量构成巨大挑战。每级流水线计算后，需历经2N-2轮正反向传播才能利用该中间状态，期间产生并保存2N-1个中间状态。当N值较大时，存储容量急剧膨胀，成为不可忽视的问题。因此，优化存储容量管理，提高内存使用效率，成为亟待解决的关键任务。

在pipeline设计中，相邻流水级间需通信，级数增加会直接导致通信数据量和时延显著上升，影响整体性能。

确保pipeline顺畅运行，需将batch size设为Transformer层数（通常几十层），再乘以data parallelism的并行数。尽管此设定下batch size较大，但务必注意其对模型收敛速度和精度的潜在影响。

因此，在内存容量足够的情况下，最好还是少划分一些流水级。

LLaMA-2 70B模型：参数占140GB，梯度同；若选Adam优化器，状态需额外840GB。高效存储，强大性能，满足大规模AI应用需求。

正向传播的中间状态跟 batch size 和选择性重新计算的配置有关，我们在算力和内存之间取一个折中，那么正向传播的中间状态需要 token 长度 * batch size * hidden layer 的神经元数量 * 层数 * (10 + 24/张量并行度) 字节。假设 batch size = 8，不用张量并行，那么 LLaMA-2 70B 模型的正向传播中间状态需要 4096 * 8 * 8192 * 80 * (10 + 24) byte = 730 GB，是不是很大？

总需求高达1850GB，远超单模型参数的140GB。对于A100/H100卡（每卡80GB），至少需24张；而若选择4090（每卡24GB），则至少需78张。这一庞大需求彰显了计算资源的巨大挑战，体现了高性能计算在现代科技中的核心地位。

LLaMA-2模型仅80层，每张卡承载一层，完美契合。实现80个流水级并行，每个并行batch均能填满流水线，高效运算。

正向传播的中间状态存储膨胀至160轮，即放大160倍，难以承受。即便采用选择性重新计算策略，如将80层划分为8组，每组10层，中间状态存储仍激增16倍，挑战显著。

除极端情况需全面重算，常规反向传播无需逐层重新计算正向结果。但此举计算成本随层数激增，如80层模型需算3240层，开销是正常计算的40倍。如此高昂的代价，岂能容忍？优化算法势在必行，以减轻计算负担，提升模型效率。

中间状态存储挑战严峻，2048张卡间通信开销更是不可小觑。这些卡采用层级分配，各卡以不同输入数据进行独立流水计算，相当于独立参与数据并行处理。在数据并行中，每轮传输涉及梯度和全局平均梯度，其数据量等同于模型参数数量，这进一步加剧了通信负担。

把 70B 模型分成 80 层，每一层大约有 1B 参数，由于优化器用的是 32 bit 浮点数，这就需要传输 4 GB 数据。那么一轮计算需要多久呢？总的计算量 = batch size * token 数量 * 6 * 参数量 = 8 * 4096 * 6 * 1B = 196 Tflops，在 4090 上如果假定算力利用率 100%，只需要 0.6 秒。而通过 PCIe Gen4 传输这 4 GB 数据就已经至少需要 0.12 秒了，还需要传两遍，也就是先传梯度，再把平均梯度传过来，这 0.24 秒的时间相比 0.6 秒来说，是占了比较大的比例。

当然我们也可以做个优化，让每个 GPU 在 pipeline parallelism 中处理的 80 组梯度数据首先在内部做个聚合，这样理论上一个 training step 就需要 48 秒，通信占用的时间不到 1 秒，通信开销就可以接受了。

当然，通信占用时间不到 1 秒的前提是机器上插了足够多的网卡，能够把 PCIe Gen4 的带宽都通过网络吐出去，否则网卡就成了瓶颈。假如一台机器上插了 8 块 GPU，这基本上需要 8 块 ConnectX-6 200 Gbps RDMA 网卡才能满足我们的需求。

聚焦batch size，2048张卡集群运行时，每GPU mini-batch设为8，总batch size高达16384，堪称大规模训练之典范。然而，再增大batch size可能影响模型收敛速度及精度。因此，当前配置已趋近最佳，确保训练高效且精准。

大模型训练时，流水线并行与数据并行的核心挑战在于级数过多，引发正向传播中间状态存储容量瓶颈，亟需解决。

Tensor parallelism（张量并行）

仍有转机！最后一招是Tensor parallelism（张量并行），作为模型并行的高级形式，它在层内而非层间进行划分。这一方法将同一层的attention计算和Feed Forward Network分散至多个GPU处理，从而显著提升计算效率。

张量并行技术巧妙解决了GPU存储限制导致流水级过多的挑战。原本需80个GPU才能容纳的模型，通过单机8卡张量并行，仅需10个流水级即可。此外，该技术还能降低batch size，因各GPU协同处理同一输入数据，实现了高效计算与资源优化。

Attention计算高效并行，得益于多head机制，能同时关注输入序列不同位置。简单拆分head，即可实现并行处理，提升效率。

三、Batch size的公式

global_batch_size =

gradient_accumulation_steps

* nnodes （节点数）

* nproc_per_node （每个节点卡数）

* per_device_train_batch_si（micro bs大小）

我们想象一个场景：

假设情景：

• batch_size = 10 #每批次大小
• total_num = 1000 #数据总量

按照 训练一个批次数据，更新一次梯度；

训练步数 train_steps = 1000 / 10 = 100

梯度更新步数 = 1000 / 10 = 100

当显存不足以支持每次 10 的训练量！需要减小 batch_size

通过设置gradient_accumulation_steps = 2

batch_size = 10 / 2 =5

优化后文案：采用每5个数据作为一个批次，训练2批次后更新一次梯度，既减轻显存负担，又确保每次更新基于10个数据，效率与准确性并存。

梯度更新步数 1000 / 10 = 100 未改变

梯度累加优化策略：每batch数据计算梯度后不清零，持续累加，直至达到gradient_accumulation_steps次数，再更新参数并清零梯度，实现高效参数更新，循环推进训练进程。

直接调小Batch Size的影响

 

1. 训练稳定性：
   • 小批量尺寸易导致梯度估计方差上升，影响训练稳定性。相反，大批量尺寸能提供更稳定的梯度估计，优化训练过程。
2. 训练时间：
3. 学习率调整：
   • 调整学习率对于较小的batch size至关重要。建议降低学习率，防止梯度更新过大引发训练波动，确保训练过程更加稳定。

使用梯度累加的优势

1. 保持有效批次大小：
2. 减少训练步数：
   • 梯度累加可以减少训练步数，因为每次参数更新仍然基于较大的有效批次大小。

                   

 

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-