데이터 병렬성
데이터 병렬 처리는 각 GPU가 데이터 배치의 서로 다른 조각을 처리하는 여러 GPU에 모델을 복제하여 하나의 모델을 더 빠르게 교육합니다.
개요
It is the workhorse technique that lets teams scale to dozens or thousands of accelerators.
심층 분석
데이터 병렬 처리에서 모든 GPU는 모델 가중치의 동일한 복사본을 보유하지만 별도의 훈련 예제 미니 배치를 처리합니다. 각 장치는 순방향 및 역방향 패스를 독립적으로 계산하여 자체 그래디언트 세트를 생성합니다. 가중치가 업데이트되기 전에 전체 축소 통신 작업을 사용하여 모든 GPU에서 기울기의 평균이 계산되므로 모든 복제본은 동기화 상태를 유지하고 마치 하나의 대규모 결합 배치에서 훈련한 것처럼 동작합니다. 이는 처리량을 효과적으로 배가시킵니다. 8개의 GPU는 단계당 약 8배의 데이터를 처리할 수 있습니다. 문제는 각 GPU가 전체 모델, 해당 기울기 및 최적화 상태를 메모리에 맞춰야 하므로 모델이 단일 장치에 비해 너무 큰 경우 일반 데이터 병렬 처리가 도움이 되지 않는다는 것입니다.
기술적 통찰력
주요 작업은 장치 전체의 기울기를 합산하고 결과를 재분배하는 all-reduce입니다. NCCL 및 Horovod와 같은 라이브러리에서 사용되는 링 올리듀스는 논리적 링 주위에 그라데이션 청크를 전달하므로 전체 통신은 GPU 수와 무관합니다. PyTorch의 DistributedDataParallel은 이 통신을 역방향 패스와 겹쳐서 초기 레이어에 대한 그래디언트 동기화를 시작하고 이후 레이어는 여전히 컴퓨팅을 수행하여 네트워크 대기 시간의 대부분을 숨깁니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
데이터 병렬성의 미래
순수 데이터 병렬 처리는 샤딩 및 모델 병렬 처리와 점점 더 결합되어 1조 매개변수 모델을 위한 하이브리드 'nD 병렬 처리' 전략으로 결합되고 있습니다. 노드 내에서 빠른 NVLink와 노드 전체에서 느린 InfiniBand를 활용하는 보다 스마트한 그래디언트 압축, 비동기 및 중첩 통신, 토폴로지 인식 올리듀스를 기대합니다. 클러스터가 성장함에 따라 통신 대 계산 비율을 줄이는 것은 수천 개의 GPU를 계속 사용하기 위한 핵심 엔지니어링 과제로 남아 있습니다.
실제 구현
PyTorch DistributedDataParallel을 사용하여 하나의 서버에서 8개 GPU에 걸쳐 ResNet 이미지 분류기를 훈련합니다. 각 GPU는 256개 이미지 배치 중 32개를 처리합니다.
Horovod를 사용하여 수백 개의 GPU에 걸쳐 BERT 사전 훈련을 확장하고 링 전체 감소를 사용하여 각 단계에서 그라디언트를 동기화합니다.
각 노드가 서로 다른 사용자 상호 작용 샤드를 처리하는 다중 노드 클러스터에서 추천 모델을 미세 조정합니다.
TensorFlow의 MirroredStrategy를 사용하여 최소한의 코드 변경으로 단일 워크스테이션의 여러 GPU에 비전 모델 훈련을 분산시킵니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Data Parallelism quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
AI 데이터 거버넌스
자주 묻는 질문
What is Data Parallelism?
데이터 병렬 처리는 각 GPU가 데이터 배치의 서로 다른 조각을 처리하는 여러 GPU에 모델을 복제하여 하나의 모델을 더 빠르게 교육합니다. 팀을 수십 또는 수천 개의 액셀러레이터로 확장할 수 있게 해주는 것이 바로 주력 기술입니다.
표준 데이터 병렬 처리에서 각 GPU는 무엇을 보유합니까?
각 GPU는 모델의 전체 복제본을 유지하고 데이터 배치의 고유한 부분을 처리하므로 모델 병렬성이 아닌 '데이터' 병렬성이 됩니다.
각 단계에서 모델 복제본의 동기화를 유지하는 통신 작업은 무엇입니까?
각 역방향 패스 후 경사도는 전체 감소(일반적으로 합산 후 평균)를 통해 장치 전체에서 결합되므로 모든 복제본이 동일한 업데이트를 적용합니다.
일반 데이터 병렬 처리의 주요 제한 사항은 무엇입니까?
모든 GPU는 모든 것의 전체 복사본을 보유하기 때문에 모델이 너무 커서 하나의 장치에 맞지 않을 때 데이터 병렬 처리는 아무런 도움이 되지 않습니다.
대규모 GPU 수에 링 올리듀스가 매력적인 이유는 무엇입니까?
링 전체 감소는 논리적 링 주위에 그라데이션 청크를 전달하므로 각 GPU가 보내는 총 대역폭은 참여하는 GPU 수에 관계없이 일정하게 유지됩니다.
PyTorch DistributedDataParallel은 통신 대기 시간을 어떻게 숨깁니까?
DDP는 이후 레이어가 계속 계산되는 동안 이전 레이어의 그라디언트를 동기화하기 시작하여 네트워크 통신과 계산을 겹칩니다.