文言ZeRO 优雅谈大模型 上

并行战略

正如和散布式一样，如何应用多设施和多配件也是很关键的一个环节。大模型训练也是如此，当初训练大模型离不开各种散布式并行战略，罕用的并行战略包含：

下图为其中一种算法，将一切的梯度分为五份，而后依照圆圈的模式流传（而不是广播数据）累加，直到每个GPU都成功一个局部的累加，而后再批量同步数据。

经过五次循环之后，每个GPU再将各自担任的那局部数据间接同步给其余显卡，防止屡次广播运算。

因为数据并行便捷易成功，运行最为宽泛。但是每张显卡都存储完整的模型，此时显存大小成为了瓶颈。例如若存在2张显卡，那么系统中就存在2份模型参数，假设有4张卡，那么系统中就存在4份模型参数，假设有N张卡，系统中就存在N份模型参数，而其中N-1份其实都是冗余。那么有新的方法来处置这个疑问没有，ZeRO就是其中的一种方法。

初识ZeRO

零冗余提升器（Zero Redundancy Optimizer，简称ZeRO）是一种用于大规模散布式深度学习的新型内存提升技术。ZeRO可以在一代GPU集群上训练具备100B参数的深度学习模型，吞吐量是最佳系统的吞吐量的三到五倍。它还为训练具备数万亿个参数的模型提供了一条明晰的门路，展现了深度学习系统技术的史无前例的飞跃。同时ZeRO也被集成到了DeepSpeed，它是用于减速散布式深度学习训练的高功能类库。

在搞分明ZeRO之前须要先明确在模型训练时刻，显卡的占用状况。普通而言，模型在训练的时刻会一直地降级参数，目前驳回的都是梯度降低法。而混合精度训练（mixed precision training）和Adam提升器基本上曾经是目前训练模型的标配。

Adam在SGD基础上，为每个参数梯度参与了一阶动量（momentum）和二阶动量（variance）1。混合精度训练，字如其名，同时存在fp16和fp32两种格局的数值，其中模型参数、模型梯度都是fp16，此外还有fp32的模型参数，假设提升器是Adam，则还有fp32的momentum和variance。

回过头来看看显卡中的数据分类，普通而言可以分为两类：

假定模型参数量为Φ ，则共须要2Φ+2Φ+(4Φ+4Φ+4Φ)=4Φ+12Φ=16Φ 字节存储空间。从这个统计中可以发现，其实Adam提升器占据了75%的空间。<若读者要微调3B的模型，那么则须要48B的空间！！！>

ZeRO是为了克制数据并行性和模型并行性的局限性，同时成功两者的好处。它经过在数据并后退程中对模型形态（参数、梯度和提升器形态）启动分区，而不是复制它们，从而消弭了数据并后退程之间的内存冗余。同时驳回灵活通讯方案在散布式训练设施之间共享必要的形态，以坚持数据并行性的计算粒度和通讯量。

如何来解读上图，蓝色就代表模型参数数Φ（若每个参数类型是FP16，则为2Φ字节），橙色代表模型梯度数Φ，K为提升器Adam的参数量系数，即KΦ。

在DeepSpeed的训练框架中， Pos对应ZeRO-1， Pos+g对应ZeRO-2， Pos+g+p对应ZeRO-3，而普通在消费中ZeRO-1就足够经常使用。

本文转载自​​，作者：​​