【分布式】深度学习中分布式训练的现状及未来

0. 前言

深度学习分布式训练任务，就是由多个进程一起协作完成某个模型的训练，这些进程可以运行在单个机器上，也可以运行在多个机器上；可以运行在 CPU Device（设备）上，也可以运行在 GPU、NPU（华为昇腾）、XPU（百度昆仑） Device 上；可以运行在 Host（物理机） 上，也可以运行在 Container（容器）、VM（虚拟机）上。那么，相比于单体训练，分布式训练能带来哪些好处呢？分布式进程是如何启动的呢？这些进程之间需要交互吗？如何给每个进程分配训练任务？本文将带你来一起寻找这些问题的答案。

1. 深度学习如何选择分布式训练框架？

大模型带来的挑战主要有两点：海量样本、参数（万亿级别）和较长的收敛时间。一般来说，单张 GPU A100 显存大小 40G、单台华为 2288H V5 的内存大小能达到上百 G，所以大模型的训练得借助多机多卡，但是随着机器数的增加，收益却不能带来线程增长，这主要是机器间通信开销指数增加，分布式训练还得保证一定的多卡加速比。

大模型主要分为两类：一是搜索、推荐、广告类任务，它的特点是海量样本及大规模稀疏参数（sparse embeddings），适合使用 CPU/GPU 参数服务器模式（PS）；另一种是 CV、NLP 任务，它的特点是常规样本数据及大规模稠密参数，它适合用纯 GPU 集合通信模式（Collective）。参数服务器模式从第一代 Alex Smola 在 2010 年提出的 LDA（文本挖掘领域的隐狄利克雷分配模型），到第二代 Jeff Dean 提出的 DistBelief，接着到第三代李沐提出的相对成熟的现代 Parameter Server 架构，再到后来的百花齐放：Uber 的 Horvod，阿里的 XDL、PAI，Meta 的 DLRM，字节的 BytePs、美团基于 Tensorlow 做的各种适配等等。参数服务器的功能日趋完善，性能也越来越强，有纯 CPU、纯 GPU，也有异构模式。另一方面，基于纯 GPU 的集合通信模式的分布式训练框架，伴随着 Nvidia 的技术迭代，特别是 GPU 通信技术（GPU Direct RDMA）的进步，性能也变得愈来愈强。

AI 模型训练任务流程：初始化模型参数 -> 逐条读取训练样本 -> 前向、反向、参数更新 -> 读取下一条样本 -> 前向、反向、参数更新 -> … 循环，直至收敛。

在软件层面的体现就是计算机按顺序运行一个个 OP（计算单元，可以理解为函数）。假如一个大模型的 OP 总数为n，第 i个 OP 的输入、输出变量、参数、优化器中间状态变量个数总共为mi ，训练单条样本需要的算力为 ci Flops（浮点运算次数），那么需要存储的累计变量个数为
，所需总算力为
，同时考虑到不同 OP 之间的存储、算力需求差异很大，比如有的 OP 需要消耗巨大的存储能力，却只要很少的算力，而有的 OP 需要巨大的算力，却对存储的要求很低。第i个 OP 和第j 个OP 之间的通信开销（带宽和时延）标识为k_i,j . 从数学上看，如果给定固定数量的 CPU、GPU 机器卡数，那么在存储资源利用率λ、算力资源利用率η 、最短训练时间γ等指标上通过凸优化理论可以取得（近似）最优解。

然而，即使从数学原理上求出了最优的参数和 OP 放置策略，从工程实践上看，实现复杂度非常高且几乎无法复用（对于一个新来的大模型），这是由深度学习框架的实现原理决定的。我们再来看看市面上已有的分布式策略，比如：

• 数据并行：最容易理解，海量训练样本切分到不同机器上，传统的参数服务器模式是典型代表
• 模型并行：把模型本身进行切分，使得每台机器（显卡）上只需要存模型的一部分，实现方式多种多样：
  • 只切分模型参数
  • 只做模型的简单横向切分，一个 Layer 切成多个 Partition
  • 对一个算子进行拆分，比如 FC（全连接层），把参数和计算的切分到多个GPU上，通过通信完成这个原子计算
• 流水线并行：老生常谈了，通过划分 micro batch 让计算机在通信的时候不要停止计算
• Sharding：可以理解为是比较易用的模型并行，主要是参数、梯度、优化器状态切分到不同机器（显卡）
• Offload：巨量稀疏参数卸载到 SSD、Host 内存、HBM（显存）等，采用多级存储架构；而对于稠密参数，则需要借用混合精读
• Recompute：用时间换空间的思想，即在前向时只保存部分中间结果，在反向时重新计算没保存的部分
  混合并行：上述能用的并行策略全用上

上述这些并行策略有哪些特点呢？比较容易想到，但是实施起来，有一定开发量且难以复用。这里，我再补充一条，就是 C++ 软件层面本身的性能优化，涉及到代码优化、执行流程优化、iCache、iTable、PGO 等优化，预计在训练速度上至少有 10% 的提升，而且对每个模型基本都有效。但是，很少看到有人这样干过。一方面原因是相比于宏观层面的并行策略能带来巨大的性能提升，这部分的性能提升点显得很小；另一方面原因，也可能是能够做到软件性能极致优化（结合操作系统和编译器）的专业人才在 AI 领域是稀缺的。

从个人经验来看，如果按数学上最优的策略来执行分布式训练任务，能带来大约 30% 的成本降低和碳排放（对应的绝对成本降低可大了去了），能节省巨大的人力开发成本，而且使得模型能够快速收敛、上线并快速迭代。想要达成这一目标，我们要从哪些方向着手呢？这里先卖个关子，先看看现有的分布式训练框架的运行机制。

2. 深度学习分布式训练框架的运行机制

上图表示的是 3 个进程（运行在容器里）一起协作来完成 AI 模型的分布式训练。

每个进程启动后，它需要感知自己全局的进程数（ world_size）及自身的进程 ID（或者 rank_id），由于每个进程上运行的都是同一份训练脚本，所以得事先在每个进程所在的系统上设置不同的环境变量，进程运行起来之后，就可以获取环境变量，从而确定自己的角色（Worker、PServer、Coordinator 等）及rank_id、world_size 等信息。

在运行过程中，还有两个重要的环节是 Barrier 和 Communicate. Barrier 的目的是为了实现进程间同步，比较成熟的开源项目有 gloo、mpi 等。Communicate 操作就是实现通信，满足进程间数据交换需求。通信可以在同类型硬件之间发生，比如 CPU 到 CPU、GPU 到 GPU，也可以发生在不同硬件之间，比如 GPU 到 CPU，通信后端也有多种形式，比如 grpc、nccl、socket 等。

3. 深度学习分布式训练框架的理想形态

上一节中提到的深度学习分布式框架是当前主流的实现，如 Tesorflow、Pytorch、Paddle 等，它的一大优点是开发起来比较容易，能快速部署。然而，它的扩展性较差，也无法满足最优的调度部署要求。于是，参考云原生的架构，这里我提出了分布式训练框架的一种理想形态（上图）。同一种颜色的服务运行在同一个进程里，它们可以是顺序执行，也可以是并行执行的，可以运行在协程上，也可以运行在线程里，可以采用"去中心化"或者是"有中心化"的基于事件的调度策略。

首先，有一个集中的切图、调度中心、服务管理模块，用户可以自定义各种切图策略、调度算法及服务管理策略。其次，训练任务完全微服务化（Service），从执行单元上来看，这里的 Service 可以是 Nerual Cell（OP 之上的概念，比如一个 Encoder、Decoder 模块），也可以是 OP，还可以是其他 Function（函数）；从功能上来说，这些 Service 可以是通信相关、Barrier 相关、也可以是 Push、Pull 相关。那么从当前的深度学习分布式训练框架演进到下一代，需要做哪些工作呢？

• 框架的运行大脑 - Coordinator
• 自动切图策略，这里包括一些具体的优化算法，如 allreduce fuse 等
• C++ 后端代码服务化，去耦合，无状态改造
• 统一的通信前端接口，支持多样的后端

用户在提交大模型的训练任务时，只需要提供一个可用资源规格列表、训练样本及模型组网图，剩下的事就可以全交给框架了。新一代的分布式深度学习训练框架带来的好处是显而易见的：

• 为执行理论最优的调度策略提供了框架支持，从而最大化经济效益
• 参数服务器模式和集合通信模式大一统
• 用户上手成本更低、便于二次开发
• 零成本迁移云上部署
• 用户组网时，不需要一行一行写 OP，也可以直接组装 Service（Python 端表示），能支持大一统之后的神经网络架构