概述
这很重要，因为前沿模型拥有数千亿个参数，没有任何一个 GPU 能够单独保存或计算得足够快。
深入探讨
张量并行性（也称为层内模型并行性）在 GPU 上分割各个权重矩阵，而不是将整个层放在单独的设备上。在 Transformer 中，大矩阵乘法（注意力投影和前馈 MLP）被拆分：例如，MLP 的第一个权重矩阵按列分区，第二个权重矩阵按行分区，因此每个 GPU 计算一个切片，然后单个 all-reduce 组合结果。注意力分散在多个头中，每个 GPU 处理一个子集。由于每个 GPU 同时执行每一层的一部分，因此张量并行性会减少每个 GPU 的内存并加快计算速度，但它需要每层 GPU 之间进行频繁的高带宽通信。这就是为什么它通常被限制在由 NVLink 连接的节点内，并与管道和数据并行性相结合，以实现非常大的训练和服务作业。
现实世界的实施
使用 Megatron-LM 将每一层的权重矩阵分片到一个 NVLink 连接节点中的 8 个 GPU 上，从而训练 175B 参数模型。
在 vLLM 中使用 tensor_parallel_size=4 提供 70B 参数的聊天模型，以便权重适合四个 GPU 并实时响应。
将 Transformer 注意力头拆分到 GPU 上，以便每个设备计算一个子集，然后连接下一层的输出。
结合节点内的张量并行性和跨节点的管道并行性，在大型 GPU 集群上训练万亿参数模型。
大型模型张量并行的未来
张量并行性仍然是基础性的，但越来越多地融入“3D并行性”（张量+管道+数据），并与混合专家模型的专家并行性相结合。 Megatron-LM、DeepSpeed 和 vLLM 等框架可自动执行分片。随着 GPU 互连（NVLink、NVSwitch）和光学结构变得更快，节点边界限制放宽，允许更广泛的张量并行组。期望更智能的自动并行化，选择分片尺寸和组大小，以最大限度地减少给定集群拓扑的通信。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是大型模型的张量并行性？
一种将单个神经网络层内的数学拆分到多个 GPU 上的方法，这样对于一个设备来说太大的模型仍然可以运行。这很重要，因为前沿模型拥有数千亿个参数，没有任何一个 GPU 能够单独保存或计算得足够快。
GPU 之间的张量并行性有何不同？
张量（层内）并行性将层内的权重矩阵进行分片，因此每个 GPU 都计算同一层的一部分，这与管道并行性不同，管道并行性将整个层放置在不同的 GPU 上。
在威震天式 MLP 分割中，两个权重矩阵如何划分以最小化通信？
按列分割第一个矩阵可以让每个 GPU 在本地应用非线性；将第二个按行拆分意味着单个全归约对部分输出求和，从而最大限度地减少同步。
为什么张量并行性通常保留在单个节点内？
每层都会触发集体通信（全归约），因此对延迟敏感的流量需要快速的节点内链接（如 NVLink），而不是较慢的节点间网络。
在张量并行下，注意力机制通常是如何并行的？
注意力头是独立的，因此它们分布在 GPU 上——每个设备计算一些头，然后组合输出。
在张量并行中，什么集体操作通常组合部分结果？
All-reduce 对每个 GPU 上计算的部分输出求和，以便它们就该层的结果达成一致；在前向和后向传递中，每层都会发生多次这种情况。