GUIDA TECNICA

Parallelo dei dati completamente condivisi

Fully Sharded Data Parallel (FSDP) è una tecnica di training distribuito che suddivide i parametri, i gradienti e gli stati dell'ottimizzatore di un modello su più GPU in modo che ogni dispositivo contenga solo una sezione.

Ascolta questa guidaNarrato dall'IA · ~2 min

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro del parallelo dei dati completamente condivisi
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

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

Immersione profonda

Il parallelismo dei dati tradizionale mantiene una copia completa del modello su ogni GPU, il che spreca memoria e limita le dimensioni del modello. FSDP, reso popolare da PyTorch di Meta e ispirato da ZeRO di Microsoft, suddivide invece tre cose tra i dispositivi: parametri, gradienti e stati dell'ottimizzatore. Durante il passaggio in avanti, ciascuna GPU raccoglie temporaneamente tutti i pesi per il layer che sta elaborando tramite un all-gather, esegue il calcolo, quindi libera immediatamente la copia raccolta. Il passaggio all'indietro funziona in modo simile, seguito da una riduzione della dispersione che distribuisce le sezioni del gradiente alle rispettive GPU. Poiché ogni dispositivo memorizza in modo permanente solo una frazione del modello, l’utilizzo della memoria diminuisce in modo più o meno lineare con il numero di GPU, consentendo ai team di addestrare modelli con decine o centinaia di miliardi di parametri.

Implementazione nel mondo reale

Messa a punto di un modello Llama da 70 miliardi di parametri su 8 GPU che singolarmente non possono sostenere tutti i pesi.

Pre-addestramento di modelli linguistici di grandi dimensioni nei laboratori di intelligenza artificiale suddividendo gli stati di ottimizzazione (che dominano la memoria con Adam) su centinaia di acceleratori.

Ricercatori che utilizzano il wrapper FSDP di PyTorch per addestrare i trasformatori di visione su un cluster universitario senza acquistare GPU di punta da 80 GB.

Combinazione di FSDP con bfloat16 a precisione mista per dimezzare all'incirca la memoria e accelerare il throughput dell'addestramento su modelli multimodali.

Il futuro del parallelo dei dati completamente condivisi

FSDP sta diventando l'impostazione predefinita per l'addestramento di modelli aperti di grandi dimensioni, con FSDP2 in PyTorch che migliora l'usabilità e lo sharding per parametro. Aspettatevi un'integrazione più stretta con il parallelismo di tensore e pipeline per modelli da trilioni di parametri, un migliore supporto per precisione mista e fp8 e un rivestimento automatico più intelligente che seleziona i limiti di sharding per te. Man mano che le interconnessioni tra GPU come NVLink e InfiniBand diventano sempre più veloci, il costo di comunicazione dello sharding continua a ridursi, rendendolo pratico su scala sempre più ampia.

Metterlo in pratica

Perché è importante

  • Costo e budget. Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
  • Decisioni più chiare. La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
  • Controllo di qualità. Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.

Attenzione

  • L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
  • I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
  • Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.

Prossimi passi

  1. Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
  2. Benchmark in condizioni di carico e dati realistiche.
  3. Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
  4. Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the Fully Sharded Data Parallel quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

What is Fully Sharded Data Parallel?

Fully Sharded Data Parallel (FSDP) è una tecnica di training distribuito che suddivide i parametri, i gradienti e gli stati dell'ottimizzatore di un modello su più GPU in modo che ogni dispositivo contenga solo una sezione. Rende possibile l'addestramento di modelli enormi su hardware che non potrebbe mai contenere l'intero modello nella memoria di una GPU.

Che cosa fa il frazionamento FSDP tra GPU rispetto al parallelismo dei dati standard?

FSDP suddivide i parametri, i gradienti e gli stati dell'ottimizzatore del modello tra i dispositivi, mentre il parallelismo dei dati standard replica il modello completo su ogni GPU.

Quale operazione collettiva utilizza FSDP per ricostruire i pesi completi di un livello subito prima di calcolarlo?

Prima dell'esecuzione di un livello, FSDP esegue una raccolta completa per assemblare temporaneamente i parametri completi da tutti gli shard, quindi li libera in seguito.

Perché FSDP libera i pesi completi raccolti immediatamente dopo il calcolo di un livello?

Mantenere solo un frammento in modo permanente e raccogliere i pesi completi in modo temporaneo è ciò che mantiene l'utilizzo della memoria basso e approssimativamente proporzionale a una frazione del modello.

FSDP è stato in gran parte ispirato da quale precedente approccio di ottimizzazione della memoria?

Lo sharding di parametri, gradienti e stati di ottimizzazione di FSDP segue da vicino le idee introdotte in ZeRO di Microsoft dalla libreria DeepSpeed.

In che modo FSDP nasconde gran parte della latenza della rete dalla raccolta di pesi?

FSDP precarica i parametri del livello successivo mentre il livello corrente sta ancora elaborando, sovrapponendo la comunicazione generale con il lavoro utile.