概述
This is what makes training giant language models with hundreds of billions of parameters physically possible.
深入探討
模型並行性將單一模型劃分到多個 GPU 上,因此沒有一個裝置需要保存所有權重。主要有兩種口味。張量(層內)平行性將層內的數學拆分,例如在 GPU 之間切分大型矩陣乘法,每個 GPU 計算部分輸出。管道(層間)並行性將不同的連續層分配給不同的 GPU,因此層塊 1 位於 GPU 0 上,塊 2 位於 GPU 1 上,依此類推,激活像裝配線一樣向前傳遞。簡單管線的挑戰是「泡沫」:當 GPU 0 在第一批中工作時,下游 GPU 閒置。管線將每個批次分成微批次,因此所有階段都保持忙碌,從而顯著提高利用率。
現實世界的實施
使用 NVIDIA Megatron-LM 訓練 GPT 風格的模型,它透過張量平行性在 GPU 上分割每個 Transformer 層的注意力和前饋矩陣。
使用 GPipe 將巨型視覺或語言模型的不同層放置在單獨的加速器上,而微批處理則讓它們忙碌起來。
DeepSpeed 的管道引擎將數千億參數模型劃分為跨多個節點的階段。
將單一 8-GPU 伺服器內的張量並行性與跨多個伺服器的管道並行性相結合,以訓練對於一台機器來說太大的模型。
模型和管道並行性的未來
框架越來越自動化地解決決定如何跨裝置劃分模型的難題,使用分析和搜尋來平衡計算和通訊。預計張量、管道和數據並行性(3D 並行性)會更緊密地集成,更智能的微批量調度將幾乎消除管道泡沫,以及具有更快互連的硬件,因此跨芯片分割單層對於更大的模型來說變得更便宜和更常規。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
What is Model and Pipeline Parallelism?
當模型太大而無法容納在一個 GPU 上時,模型和管道並行性會將模型本身分割到不同的裝置上。這使得訓練具有數千億參數的巨型語言模型在物理上成為可能。
模型和管道並行性解決了什麼基本問題?
模型和管道並行性將模型本身跨裝置進行分區,從而能夠訓練遠大於任何單一 GPU 所能容納的網路。
張量(層內)並行分割如何運作?
張量並行性將計算分成單層,例如分割一個大的權重矩陣,以便每個 GPU 計算部分輸出。
簡單的管道並行性中的「泡沫」是什麼?
在管道步驟的早期,下游階段還沒有輸入並處於空閒狀態,浪費 GPU 時間;這種閒置間隙稱為泡沫。
管道並行如何減少氣泡?
將批次劃分為微批次可以讓多個微批次同時佔據不同的階段,從而保持所有 GPU 繁忙並減少空閒時間。
為什麼張量並行性通常保留在單一節點內?
張量並行性經常進行通訊以重新組合部分矩陣結果,因此它被放置在 NVLink 節點內部互連頻寬最高的地方。