Tổng quan
Song song dữ liệu được phân chia hoàn toàn (FSDP) là một kỹ thuật đào tạo phân tán giúp phân chia các tham số, độ dốc và trạng thái tối ưu hóa của mô hình trên nhiều GPU để mỗi thiết bị chỉ giữ một phần. Nó giúp việc đào tạo các mô hình khổng lồ có thể thực hiện được trên phần cứng không bao giờ có thể chứa toàn bộ mô hình trong bộ nhớ của một GPU.
Song song dữ liệu được phân chia hoàn toàn là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Tính song song dữ liệu truyền thống giữ một bản sao đầy đủ của mô hình trên mọi GPU, điều này gây lãng phí bộ nhớ và giới hạn kích thước mô hình. FSDP, được phổ biến bởi PyTorch của Meta và lấy cảm hứng từ ZeRO của Microsoft, thay vào đó chia nhỏ ba thứ trên các thiết bị: tham số, độ dốc và trạng thái tối ưu hóa. Trong quá trình chuyển tiếp, mỗi GPU tạm thời thu thập toàn bộ trọng số cho lớp mà nó đang tính toán thông qua tập hợp tất cả, chạy tính toán, sau đó giải phóng ngay bản sao đã thu thập. Quá trình chuyển ngược hoạt động tương tự, theo sau là phân tán giảm phân phối các lát chuyển màu trở lại GPU của riêng chúng. Vì mỗi thiết bị chỉ lưu trữ vĩnh viễn một phần mô hình nên mức sử dụng bộ nhớ giảm gần như tuyến tính với số lượng GPU, cho phép các nhóm huấn luyện các mô hình với hàng chục hoặc hàng trăm tỷ tham số.
Hiểu biết kỹ thuật
FSDP giao dịch thêm giao tiếp để tiết kiệm bộ nhớ. Trọng lượng của mỗi lớp được xây dựng lại theo yêu cầu với quyền tập hợp tất cả trước khi sử dụng và loại bỏ ngay sau đó, trong khi độ dốc được kết hợp và phân chia bằng phân tán giảm. Giao tiếp có thể bị chồng chéo với tính toán bằng cách tìm nạp trước các tham số của lớp tiếp theo trong khi lớp hiện tại chạy, ẩn phần lớn độ trễ của mạng. Điều chỉnh mức độ chi tiết của phân đoạn (chính sách gói) cân bằng dung lượng bộ nhớ với chi phí liên lạc.
Làm chủ song song dữ liệu được phân chia hoàn toàn
Song song dữ liệu được phân chia hoàn toàn (FSDP) là một kỹ thuật đào tạo phân tán giúp phân chia các tham số, độ dốc và trạng thái tối ưu hóa của mô hình trên nhiều GPU để mỗi thiết bị chỉ giữ một phần. Nó giúp việc đào tạo các mô hình khổng lồ có thể thực hiện được trên phần cứng không bao giờ có thể chứa toàn bộ mô hình trong bộ nhớ của một GPU. Song song dữ liệu được phân chia hoàn toàn là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Dữ liệu song song được phân chia hoàn toàn như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Song song dữ liệu được phân chia hoàn toàn sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Tinh chỉnh mô hình Llama 70 tỷ tham số trên 8 GPU mà riêng lẻ không thể chịu được toàn bộ trọng lượng.
Huấn luyện trước các mô hình ngôn ngữ lớn tại phòng thí nghiệm AI bằng cách phân chia các trạng thái tối ưu hóa (chi phối bộ nhớ với Adam) trên hàng trăm máy gia tốc.
Các nhà nghiên cứu sử dụng trình bao bọc FSDP của PyTorch để huấn luyện các máy biến áp thị giác trong cụm trường đại học mà không cần mua GPU 80GB hàng đầu.
Kết hợp FSDP với bfloat16 có độ chính xác hỗn hợp để giảm gần một nửa bộ nhớ và tăng tốc thông lượng đào tạo trên các mô hình đa phương thức.
Các mẫu triển khai
Dữ liệu được phân chia hoàn toàn song song trong thực tế
Tinh chỉnh mô hình Llama 70 tỷ tham số trên 8 GPU mà riêng lẻ không thể chịu được toàn bộ trọng lượng.
Tinh chỉnh mô hình Llama 70 tỷ tham số trên 8 GPU mà mỗi GPU không thể gánh toàn bộ trọng lượng Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Dữ liệu được phân chia hoàn toàn song song trong thực tế
Huấn luyện trước các mô hình ngôn ngữ lớn tại phòng thí nghiệm AI bằng cách phân chia các trạng thái tối ưu hóa (chi phối bộ nhớ với Adam) trên hàng trăm máy gia tốc.
Huấn luyện trước các mô hình ngôn ngữ lớn tại phòng thí nghiệm AI bằng cách phân chia các trạng thái của trình tối ưu hóa (chi phối bộ nhớ với Adam) trên hàng trăm trình tăng tốc. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Dữ liệu được phân chia hoàn toàn song song trong thực tế
Các nhà nghiên cứu sử dụng trình bao bọc FSDP của PyTorch để huấn luyện các máy biến áp thị giác trong cụm trường đại học mà không cần mua GPU 80GB hàng đầu.
Các nhà nghiên cứu sử dụng trình bao bọc FSDP của PyTorch để huấn luyện các máy biến áp tầm nhìn trong cụm trường đại học mà không cần mua GPU 80GB hàng đầu. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Dữ liệu được phân chia hoàn toàn song song trong thực tế
Kết hợp FSDP với bfloat16 có độ chính xác hỗn hợp để giảm gần một nửa bộ nhớ và tăng tốc thông lượng đào tạo trên các mô hình đa phương thức.
Kết hợp FSDP với bfloat16 có độ chính xác hỗn hợp để giảm gần một nửa bộ nhớ và tăng tốc thông lượng đào tạo trên các mô hình đa phương thức. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
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.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.