LegközelebbKövetkező útmutató
Adatpárhuzamosság
Műszaki
Műszaki ÚTMUTATÓ
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
It makes training huge models possible on hardware that could never fit the whole model in one GPU's memory.
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.
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.
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.
Ingyenes hírlevél
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
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
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.
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.
Egy réteg lefutása előtt az FSDP mindent összegyűjt, hogy ideiglenesen összeállítsa a teljes paramétert az összes szilánkból, majd felszabadítja azokat.
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 paraméterek, színátmenetek és optimalizáló állapotok felosztása szorosan követi a Microsoft ZeRO-jában a DeepSpeed könyvtárból bevezetett ötleteket.
Az FSDP előre letölti a következő réteg paramétereit, miközben az aktuális réteg még számításokat végez, átfedve a mindenre kiterjedő kommunikációt hasznos munkával.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Adatpárhuzamosság
Műszaki