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。

分布式图切分

MindSpore支持用户对一张计算图进行自定义切分。MindSpore能够根据用户传参，将计算图中任意算子切分到任意进程，充分利用了不同进程所在节点设备上的计算资源，从而执行分布式训练等任务。分布式切图后，计算任务的执行结果和单机单卡副本的执行结果保持一致。

在MindSpore中， 参数服务器训练模式使用了MindSpore分布式图切分能力：在此模式下，MindSpore设置优化器在Server进程执行，网络的其余部分在Worker执行，两类节点间通过host侧通信算子进行数据交互。

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)在Primitive类	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)在Primitive类中	Gather算子：add_prim_attr(“manual_split”,config)：配置其第一个输入的非均匀切分策略，其中config类型为tuple，用于描述第一个参数第零维的切分方式。比如(10,20, 30,4)代表将算子第一个输入的第零维切分成4份，每份的shape大小分别为10，20，30，4。	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：add_prim_attr(“primitive_target”,“CPU”)：配置其在CPU上执行，用于异构场景。	在推荐领域，存在EmbeddingTable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)在Cell类中	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(bool)：如果为True，则累积梯度变量将在数据并行度上进行分片，默认为False。 parallel_ optimizer_threshold(int)：该值表示优化器切分阈值，单位为KB（默认64KB）。 当参数大小不超过该值时，将不会被切分。	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。优化器切分阈值，能使得shape较小的参数不进行优化器切分，以节省通信资源。
重计算	recompute(mode=True)在Primitive类中	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)在Cell类中	调用此接口后，将会对此Cell中的算子进行重计算。其中输入参数有两个bool类型选项：mp_comm_recompute：是否开启模型并行通信算子重计算，默认为True。parallel_optimizer_comm_recompute：是否开启优化器并行通信算子重计算，默认为False。	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。
分布式图切分	place(role,rank_id)在Primitive类中place(role,rank_id)在Cell类中	设置Primitive对应算子或者Cell中所有算子在某进程上执行，只有调用mindspore.communication.init接口后才会生效	开放了通用的分布式图切分接口，用户能够根据自定义算法，对计算图进行切分，从而执行分布式训练等任务。