Kiểm tra điểm kiểm tra và đào tạo có thể tiếp tục
Các kỹ thuật lưu trạng thái đào tạo của mô hình theo từng phần (phân đoạn) để các mô hình khổng lồ có thể được lưu và tải lại mà không bị giới hạn về bộ nhớ hoặc ổ đĩa, đồng thời, quá trình chạy bị lỗi có thể tiếp tục chính xác nơi nó đã dừng lại.
Tổng quan
Essential for any training job that runs for days or weeks across many GPUs.
Lặn sâu
Điểm kiểm tra đào tạo là ảnh chụp nhanh về mọi thứ cần thiết để tiếp tục: trọng lượng mô hình, trạng thái tối ưu hóa, lịch trình tốc độ học tập, vị trí của trình tải dữ liệu và hạt giống của trình tạo số ngẫu nhiên. Đối với các kiểu máy lớn, ảnh chụp nhanh này có thể lên tới hàng trăm gigabyte, quá lớn đối với một tệp hoặc bộ nhớ của một máy. Phân đoạn điểm kiểm tra chia ảnh chụp nhanh đó thành nhiều tệp và nhiều cấp bậc, do đó, mỗi GPU chỉ ghi song song lát cắt riêng của nó. Quá trình đào tạo có thể tiếp tục sau đó tải lại các phân đoạn đó và khôi phục trạng thái đầy đủ một cách chính xác. Nếu không có nó, quá trình chạy kéo dài nhiều tuần gặp sự cố ở giờ thứ 200 sẽ phải khởi động lại từ đầu. Các khung như Điểm kiểm tra phân tán PyTorch, DeepSpeed và định dạng phân đoạn an toàn của Hugging Face Hub tạo nên quy trình này.
Hiểu biết kỹ thuật
Sharding hoạt động vì quá trình đào tạo phân tán đã phân vùng các trọng số và trạng thái tối ưu hóa theo các cấp bậc (thông qua dữ liệu, tensor hoặc song song ZeRO). Mỗi cấp bậc chỉ tuần tự hóa phân vùng của nó, thường ở các định dạng như bộ bảo vệ an toàn cho phép tải theo bản đồ bộ nhớ, lười biếng. Tệp chỉ mục ánh xạ tên tham số vào tệp phân đoạn. Để tiếp tục một cách xác định, hệ thống cũng duy trì các trạng thái RNG, số bước của trình tối ưu hóa và độ lệch của trình tải dữ liệu chính xác, do đó việc chạy lại sẽ tái tạo cùng một chuỗi các đợt.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của việc bảo vệ điểm kiểm tra và đào tạo có thể tiếp tục
Kiểm tra điểm đang chuyển từ một sự kiện định kỳ dừng thế giới sang một thứ gì đó không đồng bộ và gần như miễn phí. Mong đợi nhiều điểm kiểm tra trong bộ nhớ và chồng chéo hơn để ghi các phân đoạn ở chế độ nền trong khi quá trình đào tạo tiếp tục, cộng với các điểm kiểm tra được mã hóa và sao chép để tồn tại trong các lỗi nút phổ biến ở quy mô nghìn GPU. Các cửa hàng đối tượng trên đám mây và các cấp NVMe cục bộ nhanh hơn sẽ lưu trữ các phân đoạn và các định dạng được tiêu chuẩn hóa như bộ kiểm soát an toàn sẽ tiếp tục cải thiện tính năng tải một phần, nhanh chóng, an toàn cho cả quá trình tiếp tục đào tạo và triển khai suy luận.
Triển khai trong thế giới thực
Một mô hình biên giới chạy trên hàng nghìn GPU tự động lưu các điểm kiểm tra được phân chia cứ sau vài trăm bước để một nút bị lỗi chỉ tốn vài phút chứ không phải vài ngày.
Hugging Face phân phối một mô hình mở lớn dưới dạng nhiều phân đoạn safetensor cộng với một index.json để người dùng có thể tải xuống và tải từng phần một.
Một nhà nghiên cứu tiếp tục quá trình tinh chỉnh bị gián đoạn nhằm khôi phục động lượng, số bước và vị trí trình tải dữ liệu chính xác của trình tối ưu hóa để tiếp tục liền mạch.
Đào tạo phiên bản tại chỗ về GPU đám mây giá rẻ có thể ưu tiên sử dụng trước, trong đó các điểm kiểm tra được phân chia thường xuyên giúp công việc tồn tại dù bị loại bỏ và lên lịch lại.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
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 Checkpoint Sharding and Resumable Training 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
Hướng dẫn tiếp theo
Slurm cho các cụm đào tạo AI
Câu hỏi thường gặp
What is Checkpoint Sharding and Resumable Training?
Các kỹ thuật lưu trạng thái đào tạo của mô hình theo từng phần (phân đoạn) để các mô hình khổng lồ có thể được lưu và tải lại mà không bị giới hạn về bộ nhớ hoặc ổ đĩa, đồng thời, quá trình chạy bị lỗi có thể tiếp tục chính xác nơi nó đã dừng lại. Cần thiết cho mọi công việc đào tạo kéo dài nhiều ngày hoặc nhiều tuần trên nhiều GPU.
Tại sao các điểm kiểm tra mô hình lớn được chia thành các phân đoạn?
Các điểm kiểm tra khổng lồ (hàng trăm GB) không thể thực hiện được dưới dạng một tệp; sharding cho phép nhiều cấp bậc viết các lát cắt của chúng song song và cho phép tải từng phần.
Ngoài trọng lượng của mô hình, điểm kiểm tra có thể tiếp tục thường phải lưu những gì khác?
Để tiếp tục chính xác, điểm kiểm tra lưu trữ các trạng thái của trình tối ưu hóa, trạng thái của trình tạo số ngẫu nhiên, số bước và vị trí trình tải dữ liệu đã dừng lại.
Lợi ích chính của việc đào tạo có thể tiếp tục làm việc lâu dài là gì?
Với các điểm kiểm tra có thể tiếp tục, một lần chạy bị gián đoạn sẽ tải lại trạng thái đã lưu cuối cùng của nó và tiếp tục, thay vì lãng phí nhiều ngày tính toán.
Mỗi thứ hạng GPU thường góp phần vào điểm kiểm tra được phân chia như thế nào?
Vì quá trình đào tạo phân tán đã phân chia mô hình theo các cấp bậc nên mỗi cấp bậc chỉ ghi phần của nó, giúp việc lưu song song và tiết kiệm bộ nhớ.
Tệp chỉ mục đóng vai trò gì trong các điểm kiểm tra được phân chia?
Một chỉ mục (ví dụ: index.json) ghi lại phân đoạn chứa từng tham số để trình tải có thể tìm nạp và tập hợp lại các phần phù hợp.