SelanjutnyaPanduan berikutnya
Kuantisasi Pasca Pelatihan GPTQ dan AWQ
Teknis
PANDUAN Teknis
Tumpukan Pelatihan DeepSpeed dan Megatron
DeepSpeed (Microsoft) dan Megatron-LM (NVIDIA) adalah tumpukan perangkat lunak yang membuat model pelatihan dengan miliaran parameter di ribuan GPU benar-benar layak dilakukan.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Tanpa mereka, model frontier saat ini tidak dapat mengingat atau menyelesaikan pelatihan dalam waktu yang wajar.
Menyelam Lebih Dalam
Melatih model besar pada satu GPU tidak mungkin dilakukan karena bobot, gradien, dan status pengoptimal tidak sesuai. Tumpukan ini membagi pekerjaan di banyak GPU. Megatron-LM memelopori paralelisme tensor, membagi perkalian matriks individual di dalam setiap lapisan di seluruh GPU, ditambah paralelisme pipeline, yang menempatkan lapisan berbeda pada GPU berbeda. Kontribusi khas DeepSpeed adalah ZeRO (Zero Redundancy Optimizer), yang membagi status pengoptimal, gradien, dan parameter di seluruh GPU alih-alih mereplikasinya, sehingga mengurangi memori per GPU secara drastis. Keduanya sering digabungkan (Megatron-DeepSpeed) untuk melatih model seperti BLOOM-176B dan Megatron-Turing NLG. Mereka juga menambahkan presisi campuran, pos pemeriksaan aktivasi, dan pembongkaran ke CPU atau NVMe sehingga model besar dilatih pada perangkat keras terbatas.
Implementasi Dunia Nyata
Melatih model BLOOM-176B multibahasa terbuka menggunakan gabungan tumpukan Megatron-DeepSpeed di ratusan GPU.
Microsoft dan NVIDIA melatih model Megatron-Turing NLG 530 miliar parameter dengan paralelisme 3D.
ZeRO-Offload memungkinkan peneliti menyempurnakan model multi-miliar parameter pada satu GPU workstation dengan menumpahkan status pengoptimal ke RAM CPU.
Menggunakan titik pemeriksaan aktivasi di tumpukan ini agar sesuai dengan jendela konteks yang lebih panjang dengan menghitung ulang aktivasi alih-alih menyimpan semuanya.
Masa Depan Tumpukan Pelatihan DeepSpeed dan Megatron
Harapkan integrasi yang lebih erat dengan FSDP (Fully Sharded Data Parallel) asli PyTorch, yang menyerap banyak ide ZeRO, mengaburkan batas antara tumpukan penelitian dan kerangka kerja inti. Pendekatan berbasis kompiler dan perencana paralelisme otomatis bertujuan untuk menghilangkan penyetelan manual. Ketika cluster pelatihan berkembang menuju ratusan ribu akselerator, toleransi kesalahan, penskalaan elastis, dan komunikasi yang tumpang tindih dengan komputasi menjadi batas teknis yang dominan, di samping dukungan untuk perangkat keras baru seperti NVIDIA Blackwell dan chip pelatihan khusus.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the DeepSpeed and Megatron Training Stacks quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Tumpukan Pelatihan DeepSpeed dan Megatron?
DeepSpeed (Microsoft) dan Megatron-LM (NVIDIA) adalah tumpukan perangkat lunak yang membuat model pelatihan dengan miliaran parameter di ribuan GPU benar-benar layak dilakukan. Tanpa mereka, model frontier saat ini tidak dapat mengingat atau menyelesaikan pelatihan dalam waktu yang wajar.
Apa tujuan utama pengoptimal ZeRO DeepSpeed?
ZeRO (Zero Redundancy Optimizer) menghilangkan redundansi memori dengan mempartisi status pengoptimal, gradien, dan parameter di seluruh GPU daripada mereplikasinya di setiap perangkat.
Paralelisme tensor, seperti yang dirintis Megatron-LM, bagaimana membagi model?
Paralelisme tensor mempartisi matematika di dalam satu lapisan (seperti perkalian matriks besar) di beberapa GPU, yang merupakan pemisahan intra-lapisan.
Tahap ZeRO manakah yang memberikan penghematan memori terbesar dengan juga membagi parameter model itu sendiri?
ZeRO Stage 3 memecah parameter selain gradien dan status pengoptimal, mengumpulkannya sesuai permintaan, sehingga menghasilkan pengurangan memori terbesar.
Apa gunanya 'pos pemeriksaan aktivasi' untuk menghemat memori selama pelatihan?
Pos pemeriksaan aktivasi menyimpan lebih sedikit aktivasi perantara dan menghitung ulangnya selama propagasi mundur, sehingga memperdagangkan komputasi tambahan untuk mengurangi memori.
Mengapa penggabungan teknik ini sering disebut 'paralelisme 3D'?
Paralelisme 3D menyusun tiga strategi ortogonal: paralelisme data, paralelisme tensor (intra-lapisan), dan paralelisme pipa (antar-lapisan).
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini