多维度混合并行
随着深度学习的发展,模型规模越来越大。如NLP领域,短短几年时间,参数量就从BERT的亿级,发展到GPT-3的1700亿,再到盘古alpha 2000亿,以及当前业界甚至提出百万亿级。由此可以看出,近年来参数规模呈指数增长趋势。另一方面,随着大数据、互联网等领域相关技术的发展,可供模型训练的数据集也极速扩增,例如推荐、自然语言处理等场景的数据集可达数TB。
面对大数据量、大规模参数的训练,单个设备要么完成模型训练的时间很长,要么因显存不足而导致无法进行训练。因此,需要引入分布式训练技术。
当前,最常用的分布式训练技术是数据并行。数据并行将训练数据切分到多个设备上,每个设备维护相同的模型参数和相同大小的计算任务,但是处理不同的数据,并在反向传播过程中,对每个设备产生的参数梯度进行全局AllReduce同步求和。当数据集较大而模型较小时,选择数据并行较有优势,如ResNet50。但是,当模型规模较大、或数据集与模型规模均较大时,就需要借助于其他分布式特性。
MindSpore提供以下高级特性来支撑大模型分布式训练,用户可以根据自己的需要进行灵活组合。
算子级并行
算子级并行是以算子为单位,对其输入张量切分到多个设备,从而将算子进行分布式计算。一方面,可以将数据样本及模型参数同时切分到多个设备上,以完成大模型的训练。另一方面,可以充分利用集群资源进行并行计算,以提高整体速度。
用户可以设置正向网络中每个算子的切分策略,框架根据算子的切分策略对每个算子及其输入张量进行切分建模,使得该算子的计算逻辑在切分前后保持数学等价。
流水线并行
当集群设备数很多时,如果仅采用算子级并行的方式,则需要在整个集群的通信域上进行通信,这可能使得通信效率低,从而降低整体性能。
而流水线并行能将神经网络结构切分成多个stage,每个stage跑在一部分设备内,将集合通信的通信域限定在这部分设备范围内,而stage间采用点对点通信。
流水线并行的优点在于:能提升通信效率、能方便的处理按层堆叠的神经网络结构。缺点在于:同一时刻内,有些节点可能处于空闲状态。
优化器并行
在数据并行或算子级并行训练时,模型的参数可能在多个设备上存在同一份副本。这使得优化器在更新该权重之时,在多个设备间存在冗余计算。在此情况下,可以通过优化器并行将优化器的计算量分散到多个设备上。它的优点在于:能减少静态内存消耗、减少优化器内的计算量。缺点在于:增加了通信开销。
Host&Device异构
在大模型训练时,因每个设备(加速器)的内存容量有限,从而总体所能训练的模型规模将受设备数的限制。为了能完成更大规模的模型训练,可以使用主机端(Host)和加速器(Device)异构的训练模式。它同时发挥了主机端内存大和加速器端计算快的优势,是超大模型训练过程中减少设备数的有效方式。
重计算
MindSpore根据正向图计算流程来自动推导出反向图,正向图和反向图一起构成了完整的计算图。在计算某些反向算子时,可能需要用到某些正向算子的计算结果,导致这些正向算子的计算结果,需要驻留在内存中直到这些反向算子计算完,它们所占的内存才会被其他算子复用。而这些正向算子的计算结果,长时间驻留在内存中,会推高计算的内存占用峰值,在大规模网络模型中尤为显著。为了降低内存峰值,重计算技术可以不保存正向激活层的计算结果,让该内存可以被复用,然后在计算反向部分时,重新计算出正向激活层的结果。
特性相关接口说明
特性类别 |
特性接口 |
说明 |
作用 |
---|---|---|---|
算子级并行 |
shard(in_strategy=None, out_strategy=None) |
设置算子的输入及输出张量的切分策略(其中,输出张量的切分策略仅支持部分算子,如Gather、MatMul) |
通过将网络模型中每个算子涉及到的张量进行切分,降低单个设备的内存容量,以完成大模型训练/推理。或利用集群资源,进行分布式计算,减少整体执行时间。 |
add_prim_attr(name, value) |
Gather算子: |
在推荐领域,存在数据集的每一列对应一个子表的场景。在该场景下,使用此配置能降低通信量,提升整体性能。 |
|
EmbeddingLookUp算子: |
在推荐领域,存在Embedding Table特别大的场景,为了节约device内存,可以使用此配置将EmbeddingLookUp放到CPU上执行,以完成推荐大模型的训练。 |
||
set_auto_parallel_context(enable_alltoall=bool_value) |
表示在通信时是否允许产生AllToAll通信算子,其值为bool类型,默认为False。 |
AllToAll通信能减少通信数据量,提高通信效率,但需要环境支持。 |
|
流水线并行 |
set_auto_parallel_context(pipeline_stages=stage_num) |
设置流水线并行的stage个数,其值为正整数,取值范围为[1, 设备数]。 |
指定stage的个数,将集合通信的通信域限定在stage范围内,而stage间采用点对点通信。 |
pipeline_stage(value) |
设置该Cell在哪个stage中执行。 |
设置该Cell在哪个stage中执行。 |
|
PipelineCell(network, micro_size) |
用于指定训练网络的MicroSize数量,其中network为待训练的网络,micro_size为正整数。 |
指定micro_size,能减少stage间的空闲等待时间,提升流水线并行的整体效率。 |
|
优化器并行 |
set_auto_parallel_context(enable_parallel_optimizer=bool_value) |
表示是否开启优化器并行,其值为bool型,默认为False。 |
优化器并行能节省静态内存的开销,但增加了通信开销。 |
set_auto_parallel_context(parallel_optimizer_config=config) |
只有开启优化器并行后,此配置才生效。其中config是个dict,支持两个键值: |
gradient_accumulation_shard为True时,将节省一份参数大小的静态内存,但增加了通信开销。 |
|
重计算 |
recompute(mode=True) |
用于指定该算子是否需要重计算,其值为bool类型,默认为True,表示开启算子重计算。 |
开启算子重计算后,能减少动态内存的峰值,但增加整体计算量。 |
recompute(**kwargs) |
调用此接口后,将会对此Cell中的算子进行重计算。 |
开启Cell重计算,且能配置模型并行的通信算子、优化器并行的通信算子是否进行重计算。当通信算子重计算时,将消耗通信资源,但能降低动态内存的峰值。 |