多维度混合并行

https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r1.9/resource/_static/logo_source.png

随着深度学习的发展,模型规模越来越大。如NLP领域,短短几年时间,参数量就从BERT的亿级,发展到GPT-3的1700亿,再到盘古alpha 2000亿,以及当前业界甚至提出百万亿级。由此可以看出,近年来参数规模呈指数增长趋势。另一方面,随着大数据、互联网等领域相关技术的发展,可供模型训练的数据集也极速扩增,例如推荐、自然语言处理等场景的数据集可达数TB。

面对大数据量、大规模参数的训练,单个设备要么完成模型训练的时间很长,要么因显存不足而导致无法进行训练。因此,需要引入分布式训练技术。

当前,最常用的分布式训练技术是数据并行。数据并行将训练数据切分到多个设备上,每个设备维护相同的模型参数和相同大小的计算任务,但是处理不同的数据,并在反向传播过程中,对每个设备产生的参数梯度进行全局AllReduce同步求和。当数据集较大而模型较小时,选择数据并行较有优势,如ResNet50。但是,当模型规模较大、或数据集与模型规模均较大时,就需要借助于其他分布式特性。

MindSpore提供以下高级特性来支撑大模型分布式训练,用户可以根据自己的需要进行灵活组合。

算子级并行

算子级并行是以算子为单位,对其输入张量切分到多个设备,从而将算子进行分布式计算。一方面,可以将数据样本及模型参数同时切分到多个设备上,以完成大模型的训练。另一方面,可以充分利用集群资源进行并行计算,以提高整体速度。

用户可以设置正向网络中每个算子的切分策略,框架根据算子的切分策略对每个算子及其输入张量进行切分建模,使得该算子的计算逻辑在切分前后保持数学等价。

流水线并行

当集群设备数很多时,如果仅采用算子级并行的方式,则需要在整个集群的通信域上进行通信,这可能使得通信效率低,从而降低整体性能。

而流水线并行能将神经网络结构切分成多个stage,每个stage跑在一部分设备内,将集合通信的通信域限定在这部分设备范围内,而stage间采用点对点通信。

流水线并行的优点在于:能提升通信效率、能方便的处理按层堆叠的神经网络结构。缺点在于:同一时刻内,有些节点可能处于空闲状态。

优化器并行

在数据并行或算子级并行训练时,模型的参数可能在多个设备上存在同一份副本。这使得优化器在更新该权重之时,在多个设备间存在冗余计算。在此情况下,可以通过优化器并行将优化器的计算量分散到多个设备上。它的优点在于:能减少静态内存消耗、减少优化器内的计算量。缺点在于:增加了通信开销。

Host&Device异构

在大模型训练时,因每个设备(加速器)的内存容量有限,从而总体所能训练的模型规模将受设备数的限制。为了能完成更大规模的模型训练,可以使用主机端(Host)和加速器(Device)异构的训练模式。它同时发挥了主机端内存大和加速器端计算快的优势,是超大模型训练过程中减少设备数的有效方式。

重计算

MindSpore根据正向图计算流程来自动推导出反向图,正向图和反向图一起构成了完整的计算图。在计算某些反向算子时,可能需要用到某些正向算子的计算结果,导致这些正向算子的计算结果,需要驻留在内存中直到这些反向算子计算完,它们所占的内存才会被其他算子复用。而这些正向算子的计算结果,长时间驻留在内存中,会推高计算的内存占用峰值,在大规模网络模型中尤为显著。为了降低内存峰值,重计算技术可以不保存正向激活层的计算结果,让该内存可以被复用,然后在计算反向部分时,重新计算出正向激活层的结果。

特性相关接口说明

特性类别

特性接口

说明

作用

算子级并行

shard(in_strategy=None,out_strategy=None)在Primitive类

设置算子的输入及输出张量的切分策略(其中,输出张量的切分策略仅支持部分算子,如Gather、MatMul)

通过将网络模型中每个算子涉及到的张量进行切分,降低单个设备的内存容量,以完成大模型训练/推理。或利用集群资源,进行分布式计算,减少整体执行时间。

add_prim_attr(name,value)在Primitive类中

Gather算子:add_prim_attr(“manual_split”,config):配置其第一个输入的非均匀切分策略,其中config类型为tuple,用于描述第一个参数第0维的切分方式。比如(10,20, 30,4)代表将算子第一个输入的第0维切分成4份,每份的shape大小分别为10,20,30,4。

在推荐领域,存在数据集的每一列对应一个子表的场景。在该场景下,使用此配置能降低通信量,提升整体性能。

EmbeddingLookUp算子:add_prim_attr(“primitive_target”,“CPU”):配置其在CPU上执行,用于异构场景。

在推荐领域,存在EmbeddingTable特别大的场景,为了节约device内存,可以使用此配置将EmbeddingLookUp放到CPU上执行,以完成推荐大模型的训练。

set_auto_parallel_context(enable_alltoall=bool_value)

表示在通信时是否允许产生AllToAll通信算子,其值为bool类型,默认为False。

AllToAll通信能减少通信数据量,提高通信效率,但需要环境支持。

流水线并行

set_auto_parallel_context(pipeline_stages=stage_num)

设置流水线并行的stage个数,其值为正整数,取值范围为[1,设备数]。

指定stage的个数,将集合通信的通信域限定在stage范围内,而stage间采用点对点通信。

pipeline_stage(value)在Cell类中

设置该Cell在哪个stage中执行。

设置该Cell在哪个stage中执行。

PipelineCell(network,micro_size)

用于指定训练网络的MicroSize数量,其中network为待训练的网络,micro_size为正整数。

指定micro_size,能减少stage间的空闲等待时间,提升流水线并行的整体效率。

优化器并行

set_auto_parallel_context(enable_parallel_ optimizer=bool_value)

表示是否开启优化器并行,其值为bool型,默认为False。

优化器并行能节省静态内存的开销,但增加了通信开销。

set_auto_parallel_context(parallel_optimizer_config=config)

只有开启优化器并行后,此配置才生效。其中config是个dict,支持两个键值: gradient_accumulation_shard(bool):如果为True,则累积梯度变量将在数据并行度上进行分片,默认为False。 parallel_ optimizer_threshold(int):该值表示优化器切分阈值,单位为KB(默认64KB)。 当参数大小不超过该值时,将不会被切分。

gradient_accumulation_shard为True时,将节省一份参数大小的静态内存,但增加了通信开销。优化器切分阈值,能使得shape较小的参数不进行优化器切分,以节省通信资源。

重计算

recompute(mode=True)在Primitive类中

用于指定该算子是否需要重计算,其值为bool类型,默认为True,表示开启算子重计算。

开启算子重计算后,能减少动态内存的峰值,但增加整体计算量。

recompute(**kwargs)在Cell类中

调用此接口后,将会对此Cell中的算子进行重计算。其中输入参数有两个bool类型选项:mp_comm_recompute:是否开启模型并行通信算子重计算,默认为True。parallel_optimizer_comm_recompute:是否开启优化器并行通信算子重计算,默认为False。

开启Cell重计算,且能配置模型并行的通信算子、优化器并行的通信算子是否进行重计算。当通信算子重计算时,将消耗通信资源,但能降低动态内存的峰值。