大规模深度神经网络训练仍是一项艰巨的挑战，因为动辄百亿、千亿参数量的语言模型，需要更多的 GPU 内存和时间周期。这篇文章从如何多GPU训练大模型的角度，回顾了现有的并行训练范式，以及主流的模型架构和内存优化设计方法。 本文作者Lilian Weng现为OpenAI应用人工智能研究负责人，主要从事机器学习、深度学习和网络科学研究 。她本科毕业于香港大学，硕士就读于北京大学信息系统与计算机科学系，之后前往印度安纳大学布鲁顿分校攻读博士。 Lilian Weng经常在个人博客分享学习和工作笔记，感兴趣的可以戳这里： https://lilianweng.github.io/lil-log/。
“炼大模型”已成为人工智能领域的主流研发趋势。从GPT-3的1750亿，到如今悟道2.0的1.75万亿，超大语言模型在 NLP 基准任务中不断刷新SOTA。
然而，参数和数据集的快速增长让 GPU 算力开始捉襟见肘。单个GPU内存已经远远不能满足大模型的需求。如，阿里用480块GPU训练千亿模型；英伟达用3072块GPU训练万亿模型；谷歌用2048块TPU训练1.6万亿模型（1 TPU约等于2～3 GPU）。
如何利用上百块GPU上训练大规模语言模型？并行计算是一种行之有效的方法。
近日，OpenAI 研究员Lilian Weng分享干货文章，从并行训练（数据并行、模型并行、管道并行、张量并行）、混合专家、内存节省设计（CPU卸载、重新激活计算、混合精度训练、高效存储优化器）三个方面回顾了现阶段多GPU训练大模型的主流方法。
AI科技评论这篇文章编译如下，供想成为“炼丹师”的朋友参考。
1 并行训练
大规模神经网络模型对存储空间有强烈的需求，单个GPU的内存已经远远不够。究其原因，一方面模型权重有数百亿个浮点数，随机梯度下降和Adam优化需要极高的计算成本；另一方面在预训练阶段，大模型与大规模语料库的配对需要很长的时间周期。综合来看，跨GPU并行计算显得尤为重要。
并行计算在数据、模型架构和张量等不同维度上都可以操作，接下来本文将具体介绍一些主流方法：
数据并行
数据并行（ Data parallelism ，DP）最简单的方法是将相同的模型权重复制到worker节点，并分配一部分数据以同时进行处理。我们知道，如果模型的参数量大于单个GPU节点的内存，DP无法正常工作，GeePS架构（Cui等人，2016）的解决思路是使用有限的GPU内存。也就是，如果模型太大无法嵌入到一台机器，就将暂时未使用的参数卸载回CPU。
数据交换传输通常在后端进行（不干扰训练计算），在每个Mini-batch计算结束后，worker需要同步梯度或权重，以保证学习效率。现有的同步方法有两种，各自优缺点如下：
1、批量同步并行（BSP）：worker在每个Mini-batch结束时同步数据，这种方法保证了模型权重传递的及时性，但每台机器都必须排队等待其他机器发送梯度。
2、异步并行（ASP）：每个GPU采用异步方式处理数据，这种方法避免了不同机器之间的相互等待或暂停，但影响了权重传递的时效，降低了统计学习效率。而且即使增加计算时长，也不会加快训练的收敛速度。
在中间某些地方的每一次迭代（＞1）都需要同步全局梯度。自Pytorch v1.5版（Li等人，2021年）提出后，该特征在分布式数据并行（Distribution Data Parallel，DDP）中被称为“梯度累积（gradient accumulation）”。分桶梯度(bucketing gradients)避免立即执行AllReduce操作，而是将多个梯度存储到一个AllReduce中以提高吞吐量，并基于计算图优化计算和通信调度。
图1：Pytorch DDP的伪代码（来源：Li等人，2021年）
模型并行
模型并行（Model parallelism，MP）用于解决模型权重不能适应单个节点的情况，在这里，计算和模型参数都需要跨多台机器进行处理。在数据并行中，每个worker承载着整个模型的完整副本，而MP只在一个worker上分配部分模型参数，因此对内存和计算的需求要小很多。
深度神经网络包含一堆垂直层，如果逐层拆分将连续的小层分配到工作层分区，操作起来并不难，但通过大量具有顺序依赖性的Workers来运行每个数据batch会花费大量的时间，计算资源的利用率也严重不足。
图2：一个包含4个垂直层的模型并行设置，由于顺序的依赖性，每个数据依次由一个worker处理，这个过程会出现大量多余时间“气泡”（来源：Huang等人，2019年）
管道并行
管道并行（Pipeline parallelism，PP）是将模型并行与数据并行结合起来，以减少低效时间“气泡”的过程。主要思想是将Mini-batch拆分为更多个微批次（microbatch），并使每个阶段worker能够同时处理。需要注意的是，每个微批次需要两次传递，一次向前，一次向后。worker分区的数量称为管道深度，不同worker分区之间的通信仅传输激活（向前）和梯度（向后）。这些通道的调度方式以及梯度的聚合方式在不同的方法中有所不同。
在GPipe（Huang et al.2019）方法中，多个微批次处理结束时会同时聚合梯度和应用。同步梯度下降保证了学习的一致性和效率，与worker数量无关。如图3所示，“气泡”仍然存在，但比图2少了很多。给定m个均匀分割的微批次和d个分区，假设每个微批次向前和向后都需要一个时间单位，则气泡的分数为：
GPipe论文表明，如果微批次的数量超过分区数量4倍（m>4d），则“气泡”开销几乎可以忽略不计。
图3：带有4个微批次 和4个分区的GPipe的并行管道（来源：Huang等人，2019年）
GPipe在吞吐量方面与设备数量成线性关系，设备数量越多，吞吐量越大。不过，如果模型参数在worker中分布不均匀，这种线性关系不会稳定出现。
PipeDream（Narayanan等人，2019年）方法要求每个worker交替处理向前和向后传递的消息（1F1B）。它将每个模型分区命名为“stage”，每个stage worker可以有多个副本来并行运行数据。这个过程使用循环负载平衡策略在多个副本之间分配工作，以确保相同minibatch 向前和向后的传递发生在同一副本上。
图4：PipeDream中1F1B微批次调度的图示（来源：Harlap等人，2018年）
由于PipeDream没有在所有worker batch结束时同步全局梯度，1F1B 很容易导致不同版本的模型权重的微批次向前和向后传递，降低学习效率。对此，PipeDream提供了一些解决的思路：
- 权重存储：每个worker跟踪多个模型版本，给定数据 batch 的向前和向后传递相同版本的权重。
- 垂直同步：不同模型权重版本与激活和梯度一起在全局worker之间传递，计算采用上一个worker传播的相对应的隐藏版本。这个过程确保了worker之间的版本一致性（不同于GPipe，采用异步计算）。
在训练开始时，PipeDream会先分析模型每一层的计算内存和时间成本，然后将层划分为不同的stage进行优化。
图5：上图为VGG16在ILSVRC12上的运行结果，ASP=异步并行，BSP=批量同步并行；下图为不同并行配置的训练时间加速度（来源：Harlap等人，2018年）
后来有学者提出了PipeDream两种变体，主要思路是通过减少模型版本来缓解内存占用（Narayanan等人，2021年）。其中，PipeDream-flush增加了定期刷新全局同步管道的功能，就像GPipe一样，这种方式虽然牺牲了一点吞吐量，但显著减少了内存占用（例如仅需要维护单一版本的模型权重）。
图6：PipeDream flush中管道调度图示（来源：Narayanan等人，2021年）
PipeDream-2BW维护两个版本的模型权重，“2BW”代表“双缓冲权重（double-buffered weights）”，它会在每个微批次生成一个新的模型版本K（K>d）。由于一些剩余的向后传递仍然依赖于旧版本，新的模型版本无法立即取代旧版本，但因为只保存了两个版本，内存占用的也被大大降低了。
图7：PipeDream-2BW 中的流水线调度示意图（来源：Narayanan et al. 2021
张量并行
模型并行和管道并行都会垂直拆分模型，而张量并行（Tensor Parallelism，TP）是将张量运算的计算水平划分到多个设备上。
以Transformer为例。Transformer架构主要由多层MLP和自注意力块组成。Megatron-LM（Shoeybi et al.2020）采用了一种简单的方法来并行计算层内MLP和自注意力。
MLP层包含GEMM（通用矩阵乘法）和非线性GeLU传输。如果按列拆分权重矩阵A，可以得到：
注意力块根据上述分区并行运行GEMM的 查询（Q）、键（K）和 权重（V），然后与另一个GEMM组合以生成头注意力结果。
图8：Megatron-LM中提出的关键Transformer组件的张量平行性说明。（来源：Shoeybi等人，2020年）
今年Narayanan等人将管道、张量和数据并行与新的管道调度策略相结合，提出了一种名为PTD-P的新方法。该方法不仅在设备上能够定位一组连续的层（“模型块”），该可以为每个wokers分配多个较小的连续层子集块（例如，设备1具有第1、2、9、10层；设备2具有第3、4、11、12层；每个具有两个模型块）
每个batch中，微批次的数量应精确除以wokers数量（mm）。如果每个worker有v个模型块，那么与GPipe调度相比，管道的“气泡”时间可以减少 v 倍。
图9：上图与PipeDream flush中的默认1F1B管道明细表相同；下图为交错的1F1B管线一览表（来源：Narayanan等人，202）
2 混合专家（MoE）
为了突破模型大小的限制，谷歌后来提出一种混合专家（MoE）方法，其核心理念是：综合学习，它假设多个弱学习者组合起来就会拥有一个强学习者。
在深度神经网络中，混合专家（MoE）通过连接多个专家的门机制（gating mechanism）实现集成（Shazeer等人，2017）。门机制激活不同网络的专家以产生不同的输出。作者在论文将其命名为“稀疏门控专家混合层（sparsely gated MoE）”。
仅一个MoE层包含：（1）前馈网络专家n；（2）可训练的门控网络G，通过学习n个专家的概率分布，将流量路由到几个特定的专家。
根据门控输出，并非每个专家都必须进行评估。当专家的数量太大时，可以考虑使用两层MoE。
图10：专家混合（MoE）层的图示，门控网络只选择并激活了n个专家中的2个（来源：Shazeer等人，2017年）
G将输入与可训练权重矩阵Gg相乘，然后执行softmax：
由于这个过程会产生密集的门控制向量，不利于节省计算资源，而且
时也不需要评估专家。所以，MoE层仅保留了顶部k值，并通过向G中添加高斯噪声改进负载平衡，这种机制被称为噪声top-k门。
为了避免门控网络可能始终偏向少数强势专家的自我强化效应，Shazeer等人（2017）提出了通过额外重要损失的软约束，以鼓励所有专家拥有相同的权重。其数值相当于每个专家的分批平均值变异系数的平方：
其中，CV是变异系数，失重的waux是可调节的超参数。由于每个专家网络只能获得小部分训练样本（“收缩批次问题”），所以在MoE中应该尽可能使用大batch，但这又会受到GPU内存的限制。数据并行和模型并行的应用可以提高模型的吞吐量。
图11：10亿单词的语言建模基准（左）模型从左到右包含4、32、256、256、1024和4096名专家（右）40亿参数的MoE模型在不同计算预算下的性能（来源：Shazeer等人，2017年）
GShard（Lepikhin等人，2020年）通过自动分片将MoE transformer 模型的参数扩展到了6000亿。MoE transformer 用MoE层取代其他每一个前馈网络层。需要说明的是，在多台机器上MoE transformer 仅在MoE层分片，其他层只是复制。
GShard中的门控功能G有几种改进设计：
- 专家容量：通过一位专家的令牌数量不应超过“专家容量”的阈值。如果令牌被路由到已达到容量的专家，则令牌将被标记为“溢出”，并且门输出将更改为零向量。
- 本地组调度：令牌被均匀地划分为多个本地组，专家能力在组水平上得到加强。
- 辅助损失：与原始MoE aux损失相似，添加辅助损失可以最小化路由到每个专家的数据的均方。
- 随机路由：以与其权重成比例的概率选择第二位最佳专家；否则GShard遵循随机路由，增加随机性。
图12：GShard中带辅助损失的组水平top-2门机制的伪代码（来源：Lepikhin等人，2020年）
Switch Transformer（Fedus et al.2021）用稀疏开关FFN层取代了密集前馈层（每个输入仅路由到一个专家网络），将模型规模扩展到数万亿个参数。负载平衡的辅助损失是
，给定n个专家，fi是路由到第i个专家的令牌分数，pi是门控网络预测的专家i的路由概率。
图13：Switch transformer，稀疏Switch FFN层位于蓝色框（来源：Fedus等人，2021年）
为提高训练稳定性，switch transformer采用以下设计：
- 选择精度：使用FP32精度以提高模型局部的稳定性，并降低FP32张量的通信成本。FP32精度仅在路由器功能主体内使用，结果将还原到FP16。 较小的初始化：权重矩阵的初始化从平均μ=0且标准偏差
的正态分布中采样，同时将Transformer初始化参数从s=1减小到s=0.1 。
- 使用更高的专家辍学率：微调通常适用于小数据集，增加每个专家的辍学率以避免过度拟合。他们发现，所有层中的辍学率增加会导致性能下降。在论文中，他们在非专家层中使用了0.1的辍学率，但在专家FF层中使用了0.4的辍学率。
switch transformer论文总结了用于训练大型模型的不同数据和模型并行策略，并给出了一个很好的示例：
图14：第一行为如何在多个GPU内核拆分模型权重（顶部），每种颜色代表一个权重矩阵；第二行为各种数据并行策略的说明，不同颜色表示不同的标记集（来源：Fedus等人，2021年）
3 其他节省内存的设计
CPU卸载
如果GPU内存已满，可以将暂时未使用的数据卸载到CPU，并在以后需要时将其读回（Rhu等人，2016）。不过，这种方法近年来并不太流行，因为它会延长模型训练的时间。
激活重新计算
激活重新计算，也称“激活检查点”或“梯度检查点”（Chen et al，2016），其核心思路是牺牲计算时间来换取内存空间。它减少了训练 ℓ 层深层神经网络到
的内存开销，每个batch只消耗额外的前向传递计算。
具体来说，该方法将ℓ层网络平均划分为d个分区，仅保存分区边界的激活，并在workers之间进行通信。计算梯度仍然需要在分区内层进行中间激活，以便在向后过程中重新计算梯度。在激活重新计算的情况下，用于训练M(ℓ) 是：
它的最低成本是：
激活重新计算的方法可以得出与模型大小有关次线性内存开销，如下图：
图15：不同节省内存算法的内存开销。sharing：中间结果使用的内存在不再需要时被回收。inplace：将输出直接保存到输入值的内存中（来源：Chen等人，2016）
混合精度训练
此前，Narang（Narang&Micikevicius等人，2018年）介绍了一种使用半精度浮点（FP16）数训练模型而不损失模型精度的方法。
图16：一层混合精度训练程序（来源：Narang&Micikevicius等人，2018年）
其中涉及三种关键技术：
- 全精度权重复制：保持累积梯度的模型权重的全精度（FP32）复制。对于向前和向后的传递的信息做四舍五入至半精度处理，因为每次梯度更新（即梯度X学习率）太小，可能无法完全包含在FP16范围内。
- 缩放损失：放大损失以更好地处理小幅度的梯度（见图16），放大梯度以使其向可表示范围的右侧部分（包含较大的值）移动，从而保留可能丢失的值。
- 算术精度：对于常见的网络算法（如矢量点积、矢量元素求和归约），将部分结果累加到FP32中，然后输出保存为FP16。逐点操作可以在FP16或FP32中执行。
图17：:全精确的梯度直方图
在这项实验中，图像分类、更快的R-CNN等不需要损失缩放，但其他网络，如多盒SSD、大LSTM语言模型是需要损失缩放的。
压缩（Compression）
模型权重在向前和向后传递的过程中会消耗大量内存。考虑到这两种传递方式会花费大量时间，2018年Jain （Jain et al，2018）提出了一种数据编码策略，即在第一次传递后压缩中间结果，然后将其解码用于反向传播。
Jain和团队研发的Gist系统包含两种编码方案：一是特定于层的无损编码，包括 ReLU-Pool和 ReLU-Conv模式；二是有攻击性的有损编码，主要使用延迟精度缩减（DPR）。需要注意的是，第一次使用特征图时应保持高精度，第二次使用时要适度降低精度。这项实验表明，Gist可以在5个最佳图像分类DNN上减少2倍的内存开销，平均减少1.8倍，性能开销仅为4%。
内存高效优化器
优化器也会消耗内存。以主流的Adam优化器为例，其内部需要维护动量和方差，这两者与梯度和模型参数比例基本相同。这意味着，我们需要节省4倍模型权重的内存。
为了减少内存消耗，学术界已经提出了几款主流优化器。与Adam相比，Adafactor（Shazeer et al.2018）优化器没有存储全部动量和变化，只跟踪移动平均数的每行和每列总和，然后根据这些总和估计二阶矩。
SM3（Anil et al.2019）优化器采用了一种不同的自适应优化方法。
ZeRO（Rajbhandari et al.2019）零冗余优化器节省了大型模型训练在两方面的内存消耗：
- 大多数内存由模型状态消耗，包括优化器状态（例如Adam动量和方差）、梯度和参数。混合精度训练也需要大量内存，因为除了FP16版本之外，优化器还需要保存FP32参数和其他优化器状态的副本。
- 未被激活、临时缓冲区以及不可用的碎片内存消耗（论文中称为剩余状态）。
ZeRO结合了ZeRO-DP和ZeRO-R两种方法。ZeRO-DP是一种增强的数据并行，避免了模型状态的简单冗余。它以动态的方式跨多个并行数据划分优化器状态、梯度和参数，以最小化通信量。ZeRO-R使用分区激活二次计算、恒定缓冲区大小和动态内存碎片，以优化剩余状态的内存消耗。
参考资料：
[1] Li et al. “PyTorch Distributed: Experiences on Accelerating Data Parallel Training” VLDB 2020.
[2] Cui et al. “GeePS: Scalable deep learning on distributed GPUs with a GPU-specialized parameter server” EuroSys 2016
[3] Shoeybi et al. “Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism.” arXiv preprint arXiv:1909.08053 (2019).
[4] Narayanan et al. “Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM.” arXiv preprint arXiv:2104.04473 (2021).
[5] Huang et al. “GPipe: Efficient Training of Giant Neural Networks using Pipeline Parallelism.” arXiv preprint arXiv:1811.06965 (2018).
[6] Narayanan et al. “PipeDream: Generalized Pipeline Parallelism for DNN Training.” SOSP 2019.
[7] Narayanan et al. “Memory-Efficient Pipeline-Parallel DNN Training.” ICML 2021.
[8] Shazeer et al. “The Sparsely-Gated Mixture-of-Experts Layer Noam.” arXiv preprint arXiv:1701.06538 (2017).
[9] Lepikhin et al. “GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding.” arXiv preprint arXiv:2006.16668 (2020).
[10] Fedus et al. “Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity.” arXiv preprint arXiv:2101.03961 (2021).
[11] Narang & Micikevicius, et al. “Mixed precision training.” ICLR 2018.
[12] Chen et al. 2016 “Training Deep Nets with Sublinear Memory Cost.” arXiv preprint arXiv:1604.06174 (2016).
[13] Jain et al. “Gist: Efficient data encoding for deep neural network training.” ISCA 2018.
[14] Shazeer & Stern. “Adafactor: Adaptive learning rates with sublinear memory cost.” arXiv preprint arXiv:1804.04235 (2018).
[15] Anil et al. “Memory-Efficient Adaptive Optimization.” arXiv preprint arXiv:1901.11150 (2019).
[16] Rajbhandari et al. “ZeRO: Memory Optimization Towards Training A Trillion Parameter Models Samyam.” arXiv preprint arXiv:1910.02054 (2019).
编译链接：https://lilianweng.github.io/lil-log/2021/09/24/train-large-neural-networks.html
