Műszaki ÚTMUTATÓ

Teljesen megosztott adatok párhuzamosan

A Fully Sharded Data Parallel (FSDP) egy elosztott betanítási technika, amely felosztja a modell paramétereit, gradienseit és optimalizáló állapotait sok GPU között, így minden eszköz csak egy szeletet tartalmaz.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A teljesen megosztott adatok párhuzamos jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

It makes training huge models possible on hardware that could never fit the whole model in one GPU's memory.

Mély merülés

A hagyományos adatpárhuzamosság minden GPU-n megőrzi a modell teljes példányát, ami memóriát pazarol, és korlátozza a modell méretét. Az FSDP, amelyet a Meta PyTorch-ja népszerűsített, és a Microsoft ZeRO-ja ihlette, ehelyett három dolgot bont ki az eszközök között: a paramétereket, a színátmeneteket és az optimalizáló állapotait. Az előrehaladás során minden GPU ideiglenesen összegyűjti az általa kiszámolt réteg teljes súlyát egy all-Gather segítségével, lefuttatja a számítást, majd azonnal felszabadítja az összegyűjtött másolatot. A visszafelé haladás is hasonlóan működik, amit egy szóráscsökkentés követ, amely visszaosztja a gradiens szeleteket a saját GPU-kra. Mivel minden eszköz csak a modell töredékét tárolja tartósan, a memóriahasználat nagyjából lineárisan csökken a GPU-k számával, így a csapatok több tíz- vagy százmilliárd paraméterrel rendelkező modelleket képezhetnek ki.

Valós megvalósítás

Egy 70 milliárd paraméterű Llama modell finomhangolása 8 GPU-n keresztül, amelyek külön-külön nem bírják a teljes súlyt.

Nagy nyelvi modellek előképzése mesterséges intelligencia laboratóriumokban az optimalizáló állapotainak felosztásával (amelyek Ádámmal együtt uralják a memóriát) több száz gyorsítón keresztül.

A PyTorch FSDP burkolóját használó kutatók látástranszformátorok képzésére egy egyetemi klaszteren anélkül, hogy zászlóshajó 80 GB-os GPU-kat vásárolnának.

Az FSDP és a vegyes precíziós bfloat16 kombinálása a memória nagyjából felére csökkentése és a képzési sebesség felgyorsítása a multimodális modelleken.

A teljesen megosztott adatok párhuzamos jövője

Az FSDP válik a nyílt nagymodell-képzés alapértelmezésévé, a PyTorch FSDP2-je javítja a használhatóságot és a paraméterenkénti felosztást. Szorosabb integrációra számíthat a tenzor és a csővezeték párhuzamosságával a billió paraméteres modelleknél, a vegyes precizitás és az fp8 jobb támogatása, valamint az intelligensebb automatikus burkolás, amely kijelöli a szilánkos határokat. Ahogy a GPU-k közötti összeköttetések, például az NVLink és az InfiniBand felgyorsulnak, a szilánkolás kommunikációs költsége folyamatosan csökken, így ez egyre nagyobb méretekben is praktikus.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Fully Sharded Data Parallel quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Fully Sharded Data Parallel?

A Fully Sharded Data Parallel (FSDP) egy elosztott betanítási technika, amely felosztja a modell paramétereit, gradienseit és optimalizáló állapotait sok GPU között, így minden eszköz csak egy szeletet tartalmaz. Lehetővé teszi hatalmas modellek képzését olyan hardveren, amely soha nem fér el a teljes modell egyetlen GPU memóriájába.

Mit tör meg az FSDP a GPU-k között, amit a szabványos adatpárhuzam NEM?

Az FSDP a modell paramétereit, színátmeneteit és optimalizáló állapotait szilánkokra osztja az eszközökön keresztül, míg a szabványos adatpárhuzam minden GPU-n megismétli a teljes modellt.

Melyik kollektív műveletet használja az FSDP egy réteg teljes súlyának rekonstruálására közvetlenül a számítás előtt?

Egy réteg lefutása előtt az FSDP mindent összegyűjt, hogy ideiglenesen összeállítsa a teljes paramétert az összes szilánkból, majd felszabadítja azokat.

Miért szabadítja fel az FSDP az összegyűjtött teljes súlyokat közvetlenül a réteg számítása után?

A tartósan csak egy szilánk megtartása és a teljes súlyok átmeneti összegyűjtése alacsonyan tartja a memóriahasználatot, és nagyjából arányos a modell egy töredékével.

Az FSDP-t nagyrészt melyik korábbi memóriaoptimalizálási megközelítés ihlette?

Az FSDP paraméterek, színátmenetek és optimalizáló állapotok felosztása szorosan követi a Microsoft ZeRO-jában a DeepSpeed ​​könyvtárból bevezetett ötleteket.

Hogyan rejti el az FSDP a hálózati késleltetés nagy részét a súlygyűjtés elől?

Az FSDP előre letölti a következő réteg paramétereit, miközben az aktuális réteg még számításokat végez, átfedve a mindenre kiterjedő kommunikációt hasznos munkával.