如何在普通显卡上训练一个万亿大模型？

　　1. 背景
　　近几年，随着＂大模型＂概念的提出，深度学习模型越来越大，如何训练这些大模型成为一个亟待解决的工程问题。最初的视觉模型只有几百兆的参数量，而现在的语言模型中，动则百亿，千亿的参数量，甚至万亿的大模型也是见怪不怪。如此巨大的参数量将会消耗巨大的存储空间。如下表所示为当前大模型的参数量（以Float32计算）以及对应的存储空间。
　　而当前最好的nvidia GPU显卡也只有40G的显存容量，显然将大模型塞进一张显卡是不现实的。本质上，所有大模型的训练，都使用了分布式的方式。当前分布式训练中，常用的有数据并行，模型并行和流水线并行，从计算效率上来说，数据并行要远远优于模型并行和流水线并线。但是数据并行对显存的占用是最高的，因为它需要将整个网络都运行在一张GPU上面。而在模型训练过程中，除了参数以外，还有很多地方需要占用存储空间，这就使得训练大模型时候的显存消耗进一步提升。因此你是否好奇，如何训练如此庞大的深度学习模型呢？ 2. 深度学习中的显存占用
　　在探讨如何进行大规模训练之前，我们先来详细看看网络中的显存占用。通常在深度学习训练过程中，涉及到的显存占用包括：网络的参数，梯度，激活值，激活值的梯度，优化器的状态信息，如果使用了混合精度[6]训练，那么还有备份参数(master_weight)等。这里需要指出的是，激活值的梯度在古老的caffe框架中是没有做过优化的，其占用空间和激活值相同。但是在tensorflow，pytorch等框架中，已经做了很好的优化，因此激活值的梯度实际上并没有占据很大的显存空间。另外，可能很多朋友对前面几种类型的显存占用（网络的参数，梯度，激活值，激活值的梯度）比较清楚，但是对于优化器的状态信息以及混合精度[6]训练的备份参数(master_weight)不是很清楚，这里稍加说明。 2.1 SGD优化器
　　在简单的SGD优化器中，更新参数使用如下公式：
　　2.2 Moment SGD优化器
　　但是通常我们不会直接使用SGD来更新参数，而会对梯度进行滑动平均后，再进行更新，即使用Moment SGD优化器，其计算公式如下：
　　编辑切换为居
　　由于计算 需要用到 ，因此 需要一直保存在显存中。 就是优化器的状态信息，其大小和梯度一致，因此和参数大小一致。例如参数规模是100亿，那么优化器缓存信息 也是100亿的规模。2.3 ADAM优化器
　　在很多时候，我们也会使用ADAM优化器进行参数更新，而ADAM会用到梯度的一阶矩估计和二阶矩估计，公式如下：
　　编辑切换为居中
　　同理，由于计算 需要用到 ，计算 需要用到 ，因此 和 两个变量也需要一直保存在显存中，他们大小也和梯度一致，因此也和参数一致。例如参数规模是100亿，那么 和 一共就是需要200亿的规模。2.4 混合精度[6]
　　有时候我们为了提升效率，会使用混合精度[6]进行训练，而混合精度[6]训练为了抵消float16在参数更新时候的舍入误差，会额外保存一份FP32的参数用于参数更新，称作master-weights，因此会多出一份显存占用空间。
　　编辑切换为居中2.5 激活值优化与参数优化
　　上面分析了深度学习网络的显存占用，而不同的架构中，各个部分的显存占比是不同。在CNN中，通常是激活值占据了大部分的显存空间。而MLP/Transformer等结构则是模型的参数与参数的梯度，优化器的状态信息占据了更大的比例。因此对于不同的网络结构，其优化策略是不相同的。对于CNN网络，通常优化的重点是激活值。而MLP/Transformer则更关注于网络参数相关的显存优化。因此对于两种不同类型的网络，分别需要用到激活值优化策略与参数优化策略。 3. 激活值优化策略3.1 时间换空间
　　前面分析过，cnn网络的显存消耗主要是激活值以及激活值的梯度。随着输入分辨率的提升，以及batch size的扩大，激活值以及激活值梯度的显存占用会呈现平方倍的增加。因此对于CNN的大模型训练，主要集中在对激活值的优化上。这里介绍一种以增加计算时间来降低显存空间占用的方式：＂亚线性内存优化[5]＂。首先来看一下常规深度学习的流程，如下图所示。前向计算后，保存所有的激活值，如图中的a1，a2，a3与a4。反向计算的时候，根据之前的激活值，计算每一层layer的梯度，包括激活值梯度与参数梯度。
　　编辑切换为居中
　　而＂亚线性内存优化[5]＂的深度学习流程则与传统的深度学习流程有些差异，如下图所示。在前向计算中，为了降低显存消耗，会选择性的丢弃部分激活值，例如a2。反向计算的时候，按照常规的方法进行计算，当遇到激活值缺失的时候，例如计算layer3的参数梯度时，需要用到激活值a2，但是a2已经被丢弃，此时会暂停反向传播，重新进行一次最短路径的前向计算，根据a1计算出a2（如果a1也被丢弃，那么继续向前找）。然后再继续原来的反向传播。
　　编辑切换为居中
　　由此可见，＂亚线性内存优化[5]＂彻彻底底的使用了时间换空间的策略。那么你是否好奇，为什么它会取一个这样的名字呢？其实理解起来也很简单，假设每一层的激活值大小相同，那么整个网络的激活值大小就和layer的数目成线性关系，layer的深度扩大几倍，激活值的占用就扩大几倍。而使用了＂亚线性内存优化[5]＂策略之后，显存的占用与layer的增加不再是线性关系，而是亚线性的，因此叫做＂亚线性内存优化[5]＂，实际上，如何选择丢弃的激活值，将会极大的影响最终的网络性能。被丢弃的激活值需要满足前向计算简单（降低重计算的耗时），激活值占用空间大的特点。例如BN层，其计算非常简单，重计算基本不耗时（相对卷积），因此比较适合丢弃。 3.2 低精度训练
　　除此之外，还可以使用低精度训练的方式。这样激活值以及激活值的梯度都使用更小的数据格式存储。能够极大的降低激活值的存储空间。例如在使用混合精度[6]训练的时候，所有激活值使用float16的格式，相对于原始的float32，显存占用直接缩小了一半。 4. 参数优化策略
　　上面介绍的激活值优化策略适合于CNN这样的结构。而当前的一些大模型，其显存占用主要集中在参数以及参数相关的显存占用上。例如参数的梯度，优化器的状态信息等。因此如何优化参数相关的显存占用对于大模型的训练显得更加重要。 4.1 ZeRO[4]数据并行原理
　　微软开源的DeepSpeed训练框架中，使用了一种称为ZeRO[4]的显存优化技术，称为零冗余优化技术。本质上，它是一种数据并行的分布式训练策略，重点优化了数据并行中的显存占用问题。在ZeRO[4]数据并行中，每个GPU上虽然拥有完整的网络，但是每个GPU只保存一部分的参数，梯度和优化器状态信息，这样就就可以将参数，梯度，优化器状态信息平均分配到多个GPU上。这对于参数观规模较大的网络，显存的降低将是巨大的。但是由于分布式存储参数，也会导致通信的增加。 4.2 传统数据并行流程
　　首先来简单回顾一下传统的数据并行流程，包括前向计算，反向计算，参数更新三个流程。假设一共有两张GPU参与训练，前向流程如下图所示，起始阶段，每张GPU初始化为相同的参数，并划分互斥的训练子集。每站GPU独立完成所有layer的前向计算。
　　编辑切换为居中
　　反向流程如下图所示。起始阶段，最后一个激活值已经通过loss求导得到了激活值的梯度。然后每张GPU独立的进行所有layer的反向计算。
　　编辑切换为居中
　　参数更新流程如下图所示。先对所有GPU的梯度进行规约操作（求平均值），然后每张GPU独立的更新参数。（由于初始参数值相同，梯度规约后也相同，因此最后每张GPU上更新后的参数也相同）
　　编辑切换为居中4.3 ZeRO[4]数据并行流程
　　ZeRO[4]数据并行有多个级别，分别是os级别（只对优化器状态做优化），os+g级别（对优化器状态+梯度做优化），以及os+g+p级别（对优化器状态+梯度+参数都做优化）。我们直接分析优化程度最高的os+g+p流程。首先看前向计算流程，在起始阶段，每张GPU只保存W/GPU_NUM的参数。这里假设网络有2个layer，一共两张GPU参与并行，因此GPU1只保存layer1的参数w1，GPU2只保存layer2的参数w2。在layer1的前向计算之前，由于GPU2没有layer1的参数，因此需要做一次w1的参数分发。然后进行layer1的前向计算。同样在进行layer2的前向计算之前，需要将layer2的参数w2进行一次分发，再完成layer2的前向计算。整体示意图如下图所示。
　　编辑切换为居中
　　再来分析ZeRO[4]数据并行的反向传播流程。同样的，当layer反向计算前，都需要对参数进行分发。然后再进行反向传播计算。完成反向传播之后，会有一个梯度搜集的过程，例如GPU2需要保存w2对应的梯度g2，因此所有其他GPU将g2梯度发送给GPU2。GPU2上面得到各个GPU的g2梯度后，做规约操作并保存，得到g2~。其他GPU将会删除w2，g2。然后重复该流程，直到所有layer都完成反向传播计算。示意图如下图所示。
　　编辑切换为居中
　　最后来分析一下ZeRO[4]数据并行的参数更新流程。由于梯度的规约操作在反向传播的时候已经做了，因此ZeRO[4]数据并行可以直接更新优化器的状态信息，然后更新参数，示意图如下图所示。
　　4.4 ZeRO[4]数据并行通信开销
　　从前面的ZeRO[4]数据并行流程可以看出，ZeRO[4]数据并行在os+g+p级别（对优化器状态+梯度+参数都做优化）优化时，会有两次参数的分发（前向计算一次，反向计算一次）和一次梯度的搜集。而传统的数据并行只需要做一次梯度的规约。所以ZeRO[4]数据并行的通信消耗将是传统数据并行的3倍？其实不然，传统数据并行中，虽然只需要做梯度的规约操作，但是由于每张GPU都需要得到规约后的梯度，因此使用的时all-reduce的通信原语。而ZeRO[4]数据并行中，虽然有3此数据传输，但是只需要一对多分发参数或者多对一的梯度搜集，使用的是broadcast和gather的通信原语。而broadcast和gather的通信消耗基本相当，约为all-reduce的一半，因此最终ZeRO[4]数据并行在os+g+p级别上的通信开始时原始数据并行的1.5倍，而不是3倍。当使用os+g级别的优化或者os级别的优化，通信消耗与原始数据并行相当。关于分布式数据并行中的通信原语，通信消耗我将另外编写文章分析。 4.5 ZeRO[4]论文原图分析
　　最后我们来分析一下ZeRO[4]论文中最最最niubility的这副图。如何将传统数据并行中需要120G显存的模型变成了只需要1.9G。不看不知道，一看还真吓一跳！分析这张图片前需要知道一个前提，那就是全部基于混合精度[6]训练，并且采用adam的优化策略。
　　编辑切换为居中
　　首先 表示模型参数规模为7.5B，即75亿个参数量。由于所有训练均基于混合精度训练，因此参数和梯度都使用float16存储，一个参数占用两个字节，参数和梯度的显存占用都是 的2倍。K表达的梯度状态信息以及混合精度master_weight的显存占用是 的多少倍。由于梯度状态信息和混合精度master_weight必须使用float32来存储，即一个参数占用4个字节的存储空间，并且adam中有两个状态信息，分别是梯度的一阶矩估计和二阶矩估计，所以K = (2 + 1)*4 = 12倍的 。Nd=64表示使用64张GPU进行zero数据并行训练。首先看第一行的Baseline，传统的数据并行，那么每张GPU的显存消耗就是： 。接着看第二行，使用os级别的优化，那么参数和梯度的大小没变，优化器状态+master_weight被平均分配到了所有GPU上，因此每张GPU的显存消耗就是31.4G；同理分析第三行，使用os+g的级别的优化，由于梯度数据也被均分到了所有的GPU上面，因此每张GPU的显存消耗就是16.6G；最后分析使用os+g+p级别的优化，参数也被均分到所有GPU上面，因此最后每张GPU的显存消耗就是1.9G。从上面的分析中可以看出，在使用os+g+p级别的优化中，每张GPU的显存消耗就是传统数据并行的Nd分之1 ，大白话说就是用多少张GPU，显存消耗就能降低多少倍。5. 总结
　　上面就是关于大模型训练训练中显存占用的一些优化措施。包括针对激活值优化的策略和针对参数优化的策略。正是有了这些工程上强有力的措施，才能让大模型的训练成为可能。不过由于作者水平有限，时间仓促，难免会有纰漏，还望各位读者不吝指正。感谢。 6. 参考资料
　　[1]DeepSpeed之ZeRO系列：将显存优化进行到底
　　https://zhuanlan.zhihu.com/p/513571706
　　[2]2022，大模型还能走多远
　　https://www.51cto.com/article/697186.html
　　[3]ZeRO+DeepSpeed:微软发布的高效大规模训练套件(含详细分布式训练流程)
　　https://zhuanlan.zhihu.com/p/108571246
　　[4] Rajbhandari S , Rasley J , Ruwase O , et al. ZeRO: Memory optimizations Toward Training Trillion Parameter Models[C]// SC20: International Conference for High Performance Computing, Networking, Storage and Analysis. 2020.
　　[5] Tianqi Chen, Bing Xu, Chiyuan Zhang, and Carlos Guestrin. Training Deep Nets with Sublinear Memory Cost. arXiv preprint arXiv:1604.06174, 2016.
　　[6] Micikevicius, P. , Narang, S. , Alben, J. , Diamos, G. , Elsen, E. , & Garcia, D. , et al. (2017). Mixed precision training.