本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
模型并行度简介
模型并行性是一种分布式训练方法，在这种方法中，深度学习 (DL) 模型被分成多个 GPU 和实例。 SageMaker 模型并行库 v2 (SMP v2) 与原生 PyTorch API 和功能兼容。这使您可以方便地调整 PyTorch 完全分片数据并行 (FSDP) 训练脚本以适应 SageMaker训练平台，并利用 SMP v2 提供的性能改进。
本介绍页面提供了有关模型并行性的高级概述，并描述了它如何帮助克服在训练通常非常大的深度学习 (DL) 模型时出现的问题。它还提供了 SageMaker模型并行库为帮助管理模型并行策略和内存消耗而提供的示例。
什么是模型并行度？
对于计算机视觉和自然语言处理等复杂的任务，增加深度学习模型（层和参数）的大小可以提高准确性。但是，在单个 GPU 的内存中所能容纳的最大模型大小有限制。在训练 DL 模型时，GPU 内存限制可能会在以下方面成为瓶颈：
-
它们限制了您可以训练的模型的大小，因为模型的内存占用量与参数的数量成比例缩放。
-
它们限制训练期间的每个 GPU 的批次大小，从而降低了 GPU 利用率和训练效率。
为了克服与在单个 GPU 上训练模型相关的限制， SageMaker提供了模型并行库，以帮助在多个计算节点上高效地分发和训练 DL 模型。此外，借助该库，您可以使用支持 EFA 的设备实现优化的分布式训练，这些设备通过低延迟、高吞吐量和操作系统旁路来增强节点间通信的性能。
在使用模型并行度之前估计内存需求
在使用 SageMaker 模型并行库之前，请考虑以下内容，以了解训练大型 DL 模型的内存需求。
对于使用自动混合精度的训练作业，例如 float16 (FP16) 或 bfloat16 (BF16) 和 Adam 优化器，每个参数所需的 GPU 内存约为 20 字节，我们可以将其分解如下：
-
一个 FP16 或 BF16 参数 ~ 2 个字节
-
FP16 或 BF16 渐变 ~ 2 字节
-
基于 Adam 优化器的 FP32 优化器状态约需要 8 个字节
-
参数的一个 FP32 副本约需要 4 个字节（
optimizer apply(OA) 操作需要） -
梯度的一个 FP32 副本约需要 4 个字节（OA 操作需要）
即使对于具有100亿个参数的相对较小的DL型号，它也可能需要至少200GB的内存，这比单个GPU上可用的典型GPU内存（例如具有40GB/80GB内存的NVIDIA A100）大得多。除了模型和优化器状态的内存要求外，还有其他内存消耗器，例如在正向传递中生成的激活。所需的内存可能远远超过 200 GB。
对于分布式训练，我们建议您使用分别配备 NVIDIA A100 和 H100 Tensor Core GPU 的 Amazon EC2 P4 和 P5 实例。有关 CPU 核心、RAM、附属存储卷和网络带宽等规格的详细信息，请参阅 Amazon EC2 实例类型
即使使用加速计算实例，具有大约 100 亿个参数（例如 Megatron-LM 和 T5）的模型，甚至具有数千亿个参数的大型模型（例如 GPT-3）也无法在每个 GPU 设备中拟合模型副本。
该库如何使用模型并行性和节省内存的技术
库中包含各种类型的模型并行功能和节省内存的功能，例如优化器状态分片、激活检查点和激活分载。所有这些技术可以结合使用，从而高效地训练由数千亿个参数组成的大型模型。
分片数据并行性
分片数据并行性是一种节省内存的分布式训练技术，它在数据并行组中的各个 GPU 之间拆分模型的状态（模型参数、梯度和优化器状态）。
SMP v2 通过 FSDP 实现了分片数据并行性，并对其进行了扩展，以实现博客文章《巨型模型训练的近线性扩展》中讨论的规模感知混合分片策略。 Amazon
您可以将分片数据并行性作为独立策略应用于模型。此外，如果您使用的是配备NVIDIA A100 Tensor Core GPU的最高性能的GPU实例ml.p4de.24xlarge，ml.p4d.24xlarge并且可以利用SageMaker 数据并行度 (SMDDP) 库提供的AllGather操作提高的训练速度。
要深入研究分片数据并行性并学习如何对其进行设置，或者将分片数据并行性与其他技术（例如张量并行性和混合精度训练）结合使用，请参阅。混合分片数据并行性
专家平行性
SMP v2 与 NVIDIA 威震天
MoE 模型是一种由多个专家组成的变压器模型，每个专家都由一个神经网络组成，通常是一个前馈网络 (FFN)。名为 rout er 的门禁网络决定将哪些令牌发送给哪位专家。这些专家专门处理输入数据的特定方面，使模型能够更快地训练，降低计算成本，同时实现与对应密集模型相同的性能质量。专家并行性是一种并行技术，用于在 GPU 设备之间分割 MoE 模型的专家。
要了解如何使用 SMP v2 训练 MoE 模型，请参阅。专家平行性
张量并行性
张量并行性将单个层或nn.Modules跨设备拆分为并行运行。下图显示了 SMP 库如何将模型拆分为四层以实现双向张量并行度的最简单示例 ()。"tensor_parallel_degree": 2在下图中，模型并行组、张量并行组和数据并行组的符号分别为MP_GROUPTP_GROUP、和DP_GROUP。每个模型副本的层一分为二，分布到两个 GPU 中。库管理张量分布式模型副本之间的通信。
要深入了解张量并行性和其他节省内存的功能 PyTorch，以及如何设置核心功能的组合，请参阅。张量并行性
激活检查点和卸载
为了节省 GPU 内存，库支持激活检查点，以避免在向前传递期间，将用户指定模块的内部激活存储在 GPU 内存中。库会在向后传递期间重新计算这些激活。此外，通过激活卸载，它将存储的激活数据卸载到 CPU 内存，并在向后传递期间将其提取回 GPU，以进一步减少激活内存占用。有关如何使用这些功能的更多信息，请参阅激活检查点和激活分载。
为模型选择合适的技术
有关选择正确技术和配置的更多信息，请参阅SageMaker 分布式模型并行性最佳实践。