大规模模型训练tricks集锦

大规模模型训练其实就是在和计算、存储和通信玩的过程，所以我列一下跟这些相关的文章。

一. 大规模模型并行策略

---

先来介绍一下几种经典的并行范式，以及他们对应的经典文章

1.1 数据并行(Data parallelism)

不同设备执行相同模型，不同数据。

▲数据并行

这个比较简单，贴一篇PyTorch DDP：PyTorch Distributed: Experiences on Accelerating Data Parallel Training

1.2 模型并行(Model Parallelism or Tensor Parallelism)

不同设备执行相同数据，模型不同部分，图为行切分模型并行的一个例子。

▲模型并行

代表性工作：

• Megatron-LM: Efficient Large-Scale Language Model Training on GPU Clusters

• Mesh-Tensorflow:  Mesh-TensorFlow: Deep Learning for Supercomputers

1.2.1 高维模型并行

对参数矩阵进行二维以上切分的方法，目前尤洋的潞晨科技主推的夸父分布式框架在做这个。

• 夸父：Colossal-AI: A Unified Deep Learning System For Large-Scale Parallel Training

里面实现了2D，2.5D，3D并行

1.3 流水线并行（Pipeline parallelism）

以前也叫层间模型并行(inter-layer parallelism)。流水线并行分阶段(stage)运行模型，不同阶段之间可以流水化执行。

1.3.1 PipeDream一族

▲PipeDream 1F1B异步流水线

微软msr-fiddle团队提出的。不要在谷歌上搜PipeDream...，到github上搜。

PipeDream一族流水线是异步流水线，因为用的是异步更新(第N+m次的前向传播利用的是第N次更新的参数)，所以可能存在一定的收敛性问题。但是实际应用上业界还没有发现大问题。

• PipeDream: Fast and Efficient Pipeline Parallel DNN Training

• PipeDream-2BW: Memory-Efficient Pipeline-Parallel DNN Training

• HetPipe: Enabling Large DNN Training on (Whimpy) Heterogeneous GPU Clusters through Integration of Pipelined Model Parallelism and Data Parallelism

1.3.2 GPipe一族

Gpipe和DAPPLE

Google最早提出的同步流水线，每一个minibatch计算完后进行同步后再计算下一个minibatch。

• GPipe: Efficient Training of Giant Neural Networks using Pipeline Parallelism

• 阿里的DAPPLE，目前业界最流行的流水线，Megatron的PipeDream-1F1B其实跟这个本质上是一个东西:  DAPPLE: A Pipelined Data Parallel Approach for Training Large Models

• 双向化的GPipe，个人看好的一种内存计算折中方案：Chimera: efficiently training large-scale neural networks with bidirectional pipelines

1.4 重计算(Recomputation or Checkpointing)

华为把他列到了并行策略里，所以在这也提一提。

重计算将前向计算的激活值丢弃，在后向计算时再重新进行计算，节省了巨量的激活值开销。

pytorch的话用torch.utils.checkpoint就可以实现，很方便。

原始论文：Algorithm 799: Revolve: An implementation of checkpointing for the reverse or adjoint mode of computational differentiation

陈天奇最早把他带到了机器学习里：Training Deep Nets with Sublinear Memory Cost

1.5 零冗余优化器 (Zero REdundancy Optimizer)

很多公司把他也当做一种并行的策略(sharding)，所以我也列在这里。

大名鼎鼎的ZeRO，来自于微软的DeepSpeed团队。在执行的逻辑上是数据并行，但是同时可以达到模型并行的显存优化效果。

• ZeRO: memory optimizations toward training trillion parameter models

• Meta(原Facebook)的FSDP，不同名字而已：[Fully Sharded Data Parallel: faster AI training with fewer GPUs][1] （混进来一篇不是paper的东东）

1.6 专家并行

现在为了扩大模型规模，很多人都在使用的方法

• MoE Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer

• 谷歌 GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding

1.7 其他并行方法

几种针对Transformer模型训练中数据sequence_length维度的并行方法

• 谷歌的 TeraPipe: Token-Level Pipeline Parallelism for Training Large-Scale Language Models，本质上是一种流水线

• 新加坡国立（夸父）的 Sequence Parallelism: Making 4D Parallelism Possible

二. 显存优化技术

---

2.1 重计算

1.4 提到过了，不做赘述。

2.2 Offload

拿通信换显存的一种方法，简单来说就是让模型参数、激活值等在CPU内存和GPU显存之间左右横跳。

• ZeRO-Offload: Democratizing Billion-Scale Model Training

• ZeRO-Infinity: Breaking the GPU Memory Wall for Extreme Scale Deep Learning

2.3 优化器

为分布式训练设计的优化器

• 尤洋提出的用于大批量卷积神经网络训练的自适应优化器LARS: Layer-wise Adaptive Moments optimizer for Batch training

• 还是尤洋提出的用于大批量 BERT 训练的新型优化器 LAMB：Large Batch Optimization for Deep Learning: Training BERT in 76 minutes

节省显存的优化器

• Adafactor: Adaptive Learning Rates with Sublinear Memory Cost

低精度存储优化器状态的优化器

• DeepSpeed: 1-bit Adam: Communication Efficient Large-Scale Training with Adam's Convergence Speed

• DeepSpeed: 1-bit LAMB: Communication Efficient Large-Scale Large-Batch Training with LAMB's Convergence Speed

2.4 内核优化

以这个为例，Self-attention Does Not Need  Memory

这个我研究的时候写了个实现。

[Connolly：Self Attention 固定激活值显存分析与优化及PyTorch实现][2]

目前因为大模型都是基于Transformer的，我认为Transformer核的优化是比较关键的：主要是可以把softmax和layernorm的激活值给去掉。可以参考DeepSpeed里[Transformer核的实现][3]。

三. 通信

---

这两篇博客可以涵盖大部分深度学习中的通信问题了。

[ZOMI酱：分布式训练硬核技术——通讯原语][4]

[兰瑞Frank：腾讯机智团队分享--AllReduce算法的前世今生][5]

3.1 通信方式

• 参数服务器：经典的主从节点模式，例子有PyTorch DP，基于PS的深度学习是李牧提出的，对就是这个人->[跟李沐学AI的个人空间_哔哩哔哩_Bilibili][6] 。现在多用于大规模的推荐系统。如果主节点弄得多的话，它的性能甚至可以超过Allreduce，比如在BytePS里提到的：A Unified Architecture for Accelerating Distributed DNN Training in Heterogeneous GPU/CPU Clusters 。

• 无参数服务器：采用集合通信的方法来实现模型参数、梯度等信息的同步，例子有PyTorch DDP，[horovod][7]，DeepSpeed等等，目前比较流行。

3.2 通信优化

• 环状路由，采用ring的方式来进行通信，比原始方法的通信量降低N倍（N为设备数量），最早应该是[百度提出][8]用来搞深度学习的，现在PyTorch DDP，horovod，DeepSpeed等都有相应实现。

四. 流行大模型

---

时间，名字，组织，大小，论文或报告

• 2021.12.9 GLaM Google Brain 1.162T， [blog][9]

• 2021.12.8 Gopher Google DeepMind 280 B， [deepmind][10]

• 2021.12.8 Wenxin Baidu and PengCheng Lab 260 B， [arxiv][11]

• 2021.10.25 M6-10T Alibaba 10T， [arxiv][12]

• 2021.9.28 Yuan 1.0 Inspur 245.7 B， [arxiv][13]

• 2021.8 Jurassic-1 AI21 178B， [tech paper][14]

• 2021.5 Wudao 2.0 BAAI 1.75 T， ?

• 2021.4.26 Pangu-alpha Huawei and PengCheng Lab 207 B， [arxiv][15]

• 2020.5 GPT3 Open-AI 175 B， [arxiv][16]

五. 分布式框架

---

• Colossal-AI，最新的一批框架，主打多维模型并行：Colossal-AI: A Unified Deep Learning System For Large-Scale Parallel Training (2021)

• DeepSpeed，跟英伟达玩得比较近，大家都在学：Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (2020)

• Horovod，比较经典，多人使用的Tensorflow分布式计算框架：Horovod: fast and easy distributed deep learning in TensorFlow。(2018)

• Megatron-LM，手动的DP+MP+PP性能baseline：Efficient Large-Scale Language Model Training on GPU Clusters (2021)

• OneFlow，介绍了SBP和Actor，现在业界都在学：OneFlow: Redesign the Distributed Deep Learning Framework from Scratch (2021)

• PaddlePaddle，异构现在做的挺好：End-to-end Adaptive Distributed Training on PaddlePaddle (2021)

六. 自动并行

---

更新一波，我搜集的一些自动并行策略搜索算法，对部分内容进行了分析，欢迎大家star~

[https://github.com/ConnollyLeon/awesome-Auto-Parallelismgithub.com/ConnollyLeon/awesome-Auto-Parallelism] [17]

6.1 Jia Zhihao

据我所知...贾志豪开创了自动并行的先河，他提出的FlexFlow现在和Facebook的推荐模型DLRM玩的比较近。

• OptCNN，用基于图搜索的动态规划来寻找CNN的自动并行策略: Exploring Hidden Dimensions in Parallelizing Convolutional Neural Networks （2018）。以OptCNN为起点，也延伸出了ToFu，TensorOpt等等的工作，老师木经常提。

• FlexFlow，用蒙特卡洛马尔科夫链（MCMC）来搜索数据并行和模型并行策略：Beyond Data and Model Parallelism for Deep Neural Networks (2018)

6.2 Google

6.2.1 GSPMD

谷歌提出的GSPMD，现在被多个框架包括Tensorflow，MindSpore，OneFlow，PaddlePaddle借鉴和修改后使用。

GSPMD是一种半自动并行，用户手动配置部分的并行操作，然后他会对并行策略进行传播得到完成的并行策略。

• GSPMD: General and Scalable Parallelization for ML Computation Graphs (2021）

6.2.2 Automap

Google DeepMind提出的，利用蒙特卡洛树和交互网络进行策略的预测，生成策略的效果可逼近Megatron-LM：Automap: Towards Ergonomic Automated Parallelism for ML Models (2021)

6.2.3 REINFORCE

Google Brain做的，最早利用强化学习来做自动并行的方法，做的是层间模型并行：

Device Placement Optimization with Reinforcement Learning (2017)

6.3 msr-fiddle

又是PipeDream的那帮人，

• 利用动态规划和Profile技术来搜索数据并行及流水线并行策略：PipeDream: Fast and Efficient Pipeline Parallel DNN Training (2018)

• Dnn-partition: 利用动态规划和整数规划来搜索数据并行和模型并行的策略：Efficient Algorithms for Device Placement of DNN Graph Operators

• PipeDream作者的师弟（现在还不在fiddle），利用网格搜索方法来生成最优的并行策略：DistIR: An Intermediate Representation and Simulator for Efficient Neural Network Distribution (2021)

• 利用两级动态规划方法来做数据并行，模型并行和流水线并行策略的搜索 Piper: Multidimensional Planner for DNN Parallelization （2021）

6.4 MindSpore

MindSpore现在只能处理数据并行和模型并行的自动策略搜索，双递归算法的速度远比动态规划要快。

• OptCNN的进阶版，可以处理非线性模型：TensorOpt: Exploring the Tradeoffs in Distributed DNN Training with Auto-Parallelism (2020)

• 双递归算法 Efficient and Systematic Partitioning of Large and Deep Neural Networks for Parallelization (2020)

6.5 阿里

• 利用强化学习的方法来解决策略划分问题，Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads (2020)

各大公司现在都在暗搓搓的做自动并行，今年应该能看到百花齐放，部署到大模型上的场景:)

Alpa出来以后，引发了一大波MLSys的热点，卷起来了。