背景：

目前，大模型的发展已经非常火热，关于大模型的训练、微调也是各个公司重点关注方向。但是大模型训练的痛点是模型参数过大，动辄上百亿，如果单靠单个 GPU 来完成训练基本不可能。所以需要多卡或者分布式训练来完成这项工作。

一、分布式训练

1.1 目前主流的大模型分布式训练主要包括两种：

• 数据并行训练

• 模型并行训练

二、DeepSpeed

DeepSpeed 是由 Microsoft 提供的分布式训练工具，旨在支持更大规模的模型和提供更多的优化策略和工具。对于更大模型的训练来说，DeepSpeed 提供了更多策略，例如：Zero、Offload 等。

2.1 基础组件

分布式训练需要掌握分布式环境中的基础配置，包括节点变化、全局进程编号、局部进程编号、全局总进程数、主节点等。这些组件都跟分布式训练紧密相关，同时组件之间也有非常大的联系，例如通信联系等。

2.2 通信策略

既然是分布式训练，那机器之间必须要保持通信，这样才可以传输模型参数，梯度参数等信息。

DeepSpeed 提供了 mpi、gioo、nccl 等通信策略

我们在使用 DeepSpeed 进行分布式训练的时候，可以根据自身的情况选择合适的通信库，通常情况下，如果是 GPU 进行分布式训练，可以选择 nccl。

2.3 Zero（零冗余优化器）

Microsoft 开发的 Zero 可以解决分布式训练过程中数据并行和模型并行的限制。比如： Zero 通过在数据并行过程中划分模型状态（优化器、梯度、参数），来解决数据并行成可能出现内存冗余的情况（正常数据并行训练，模型全部参数是复制在各个机器上的）；同时可以在训练期间使用动态通信计划，在分布式设备之间共享重要的状态变量，这样保持计算粒度和数据并行的通信量。

Zero 是用于大规模模型训练优化的技术，它的主要目的是减少模型的内存占用，让模型可以在显卡上训练，内存占用主要分为 Model States 和 Activation 两个部分，Zero 主要解决的是 Model States 的内存占用问题。

Zero 将模型参数分成三个部分：

Zero 的级别如下：

2.4 Zero-Offload：

相比 GPU，CPU 就相对比较廉价，所以 Zero-Offload 思想是将训练阶段的某些模型状态放（offload）到内存以及 CPU 计算。

Zero-Offload 不希望为了最小化显存占用而让系统计算效率下降，但如果使用 CPU 也需要考虑通信和计算的问题（通信：GPU 和 CPU 的通信；计算：CPU 占用过多计算就会导致效率降低）。

Zero-Offload 想做的是把计算节点和数据节点分布在 GPU 和 CPU 上，计算节点落到哪个设备上，哪个设备就执行计算，数据节点落到哪个设备上，哪个设备就负责存储。

Zero-Offload 切分思路：

下图中有四个计算类节点：FWD、BWD、Param update 和 float2half，前两个计算复杂度大致是 O(MB)， B 是 batch size，后两个计算复杂度是 O(M)。为了不降低计算效率，将前两个节点放在 GPU，后两个节点不但计算量小还需要和 Adam 状态打交道，所以放在 CPU 上，Adam 状态自然也放在内存中，为了简化数据图，将前两个节点融合成一个节点 FWD-BWD Super Node，将后两个节点融合成一个节点 Update Super Node。如下图右边所示，沿着 gradient 16 和 parameter 16 两条边切分。

Zero-Offload 计算思路：

在 GPU 上面进行前向和后向计算，将梯度传给 CPU，进行参数更新，再将更新后的参数传给 GPU。为了提高效率，可以将计算和通信并行起来，GPU 在反向传播阶段，可以待梯度值填满 bucket 后，一遍计算新的梯度一遍将 bucket 传输给 CPU，当反向传播结束，CPU 基本上已经有最新的梯度值了，同样的，CPU 在参数更新时也同步将已经计算好的参数传给 GPU，如下图所示。

2.5 混合精度：

混合精度训练是指在训练过程中同时使用 FP16（半精度浮点数）和 FP32（单精度浮点数）两种精度的技术。使用 FP16 可以大大减少内存占用，从而可以训练更大规模的模型。但是，由于 FP16 的精度较低，训练过程中可能会出现梯度消失和模型坍塌等问题。

DeepSpeed 支持混合精度的训练，可以在 config.json 配置文件中设置来启动混合精度（"fp16.enabled":true）。在训练的过程中，DeepSpeed 会自动将一部分操作转化为 FP16 格式，并根据需要动态调整精度缩放因子，来保证训练的稳定性和精度。

在使用混合精度训练时，需要注意一些问题，例如梯度裁剪（Gradient Clipping）和学习率调整（Learning Rate Schedule）等。梯度裁剪可以防止梯度爆炸，学习率调整可以帮助模型更好地收敛。

三、总结

DeepSpeed 方便了我们在机器有限的情况下来训练、微调大模型，同时它也有很多优秀的性能来使用，后期可以继续挖掘。

目前主流的达模型训练方式： GPU + PyTorch + Megatron-LM + DeepSpeed

优势

1. 存储效率：DeepSpeed 提供了一种 Zero 的新型解决方案来减少训练显存的占用，它与传统的数据并行不同，它将模型状态和梯度进行分区来节省大量的显存；

2. 可扩展性：DeepSpeed 支持高效的数据并行、模型并行、pipeline 并行以及它们的组合，这里也称 3D 并行；

3. 易用性： 在训练阶段，只需要修改几行代码就可以使 pytorch 模型使用 DeepSpeed 和 Zero。

参考：

1. http://wed.xjx100.cn/news/204072.html?action=onClick

2. https://zhuanlan.zhihu.com/p/513571706

作者：京东物流 郑少强

来源：京东云开发者社区 转载请注明来源