(相關(guān)資料圖)

機器之心轉(zhuǎn)載

來源：知乎作者：微軟DeepSpeed大型 AI 模型正在改變數(shù)字世界?；诖笮驼Z言模型 (LLM) 的 Turing-NLG、ChatGPT 和 GPT-4 等生成語言模型用途廣泛，能夠執(zhí)行摘要、代碼生成和翻譯等任務(wù)。同樣，DALL?E、Microsoft Designer 和 Bing Image Creator 等大型多模態(tài)生成模型可以生成藝術(shù)、建筑、視頻和其他數(shù)字資產(chǎn)，使內(nèi)容創(chuàng)作者、建筑師和工程師能夠探索全新的創(chuàng)意生產(chǎn)力。 然而，訓(xùn)練這些大型模型需要在數(shù)百甚至數(shù)千個 GPU 設(shè)備上使用大量內(nèi)存和計算資源。例如，訓(xùn)練 Megatron-Turing NLG 530B 模型需要使用超過 4,000 個 NVidia A100 GPU。有效地利用這些資源需要一個復(fù)雜的優(yōu)化系統(tǒng)，以將模型合理分配到各個設(shè)備的內(nèi)存中，并有效地并行化這些設(shè)備上的計算。同時，為了使深度學(xué)習(xí)社區(qū)能夠輕松進行大型模型訓(xùn)練，這些優(yōu)化必須易于使用。 DeepSpeed 的 ZeRO 優(yōu)化系列為這些挑戰(zhàn)提供了強大的解決方案，并已廣泛用于大型深度學(xué)習(xí)模型例如 TNLG-17B、Bloom-176B、MPT-7B、Jurrasic-1 的訓(xùn)練中 。盡管它具有變革性的能力 ，在一些關(guān)鍵場景中，ZeRO 會在 GPU 之間產(chǎn)生大量數(shù)據(jù)傳輸開銷，這降低了訓(xùn)練效率。這種情況特別發(fā)生在以下場景中：a) 全局 batch size 較小，而 GPU 數(shù)量多，這導(dǎo)致每個 GPU 上 batch size 較小，需要頻繁通信；或者 b) 在低端集群上進行訓(xùn)練，其中跨節(jié)點網(wǎng)絡(luò)帶寬有限，導(dǎo)致高通信延遲。在這些情況下，ZeRO 的訓(xùn)練效率會受到限制。 為了解決這些限制，我們發(fā)布了 ZeRO++ 。ZeRO++ 相比 ZeRO 將總通信量減少了 4 倍，而不會影響模型質(zhì)量。這有兩個關(guān)鍵意義： 1. ZeRO++ 加速大型模型預(yù)訓(xùn)練和微調(diào)每個 GPU 上 batch size 較小時：無論是在數(shù)千個 GPU 上預(yù)訓(xùn)練大型模型，還是在數(shù)百個甚至數(shù)十個 GPU 上對其進行微調(diào)，當每個 GPU 的 batch size 較小時，ZeRO++ 提供比 ZeRO 高 2.2 倍的吞吐量，直接減少訓(xùn)練時間和成本。 低帶寬計算集群: ZeRO++ 使低帶寬集群能夠?qū)崿F(xiàn)與帶寬高 4 倍的高端集群類似的吞吐量。因此，ZeRO++ 可以跨更廣泛的集群進行高效的大型模型訓(xùn)練。 2. ZeRO++ 加速 ChatGPT 類的 RLHF 訓(xùn)練雖然 ZeRO++ 主要是為訓(xùn)練而設(shè)計的，但它的優(yōu)化也自動適用于 ZeRO-Inference，因為通信開銷對于 ZeRO 的訓(xùn)練和推理同樣適用。因此，ZeRO++ 可以提高人類反饋強化學(xué)習(xí) (RLHF) 等算法的效率，因為 RLHF 結(jié)合了訓(xùn)練和推理。 通過與 DeepSpeed-Chat 的集成，與原始 ZeRO 相比，ZeRO++ 可以將 RLHF 訓(xùn)練的生成階段效率提高多達 2 倍，強化學(xué)習(xí)訓(xùn)練階段效率提高多達 1.3 倍。 接下來，我們將更深入地解釋 ZeRO 及其通信開銷，并討論 ZeRO++ 中為解決這些問題而進行的關(guān)鍵優(yōu)化。然后我們將展示 ZeRO++ 對不同模型大小、批量大小和帶寬限制的訓(xùn)練吞吐量的影響。我們還將討論 ZeRO++ 如何應(yīng)用于 DeepSpeed-Chat，以加速使用 RLHF 的對話模型的訓(xùn)練。 ZeRO++ 詳解

圖2：ZeRO optimizer 工作流程圖（此為部分展示，完整流程請看知乎原文）

ZeRO 是數(shù)據(jù)并行 (Data Parallelism) 的一種內(nèi)存高效版本，其中模型狀態(tài)會被分割儲存在所有 GPU 上，而不需要在訓(xùn)練期間使用基于 gather/broadcas 的通信進行復(fù)制和重建。這使 ZeRO 能夠有效地利用所有設(shè)備的聚合 GPU 內(nèi)存和計算力，同時提供簡單易用的數(shù)據(jù)并行訓(xùn)練。 假設(shè)模型大小為 M。在前向傳播過程中，ZeRO 執(zhí)行全收集 / 廣播 (all-gather/broadcast) 操作以在需要之時為每個模型層收集參數(shù)（總共大小為 M）。在向后傳遞中，ZeRO 對每一層的參數(shù)采用類似的通信模式來計算其局部梯度（總大小為 M）。此外，ZeRO 在對每個局部梯度計算完畢后會立刻使用 reduce 或 reduce-scatter 通信進行平均和分割儲存（總大小為 M）。因此，ZeRO 總共有 3M 的通信量，平均分布在兩個全收集 / 廣播 (all-gather/broadcast) 和一個減少分散 / 減少 (reduce-scatter/reduce) 操作中。 為了減少這些通信開銷，ZeRO++ 進行了三組通信優(yōu)化，分別針對上述三個通信集合： 圖 3:qwZ 的分區(qū)量化圖例ZeRO 通信過程中的權(quán)重量化 (qwZ)首先，為了減少 all-gather 期間的參數(shù)通信量，我們采用權(quán)重量化在通信前將每個模型參數(shù)從 FP16（兩個字節(jié)）動態(tài)縮小為 INT8（一個字節(jié)）數(shù)據(jù)類型，并在通信后對權(quán)重進行反量化。然而，簡單地對權(quán)重進行量化會降低模型訓(xùn)練的準確性。為了保持良好的模型訓(xùn)練精度，我們采用分區(qū)量化，即對模型參數(shù)的每個子集進行獨立量化。目前尚且沒有針對分區(qū)量化的高性能現(xiàn)有實現(xiàn)。因此，我們自行從頭開始實現(xiàn)了一套高度優(yōu)化的量化 CUDA 內(nèi)核，與基本量化相比，精度提高 3 倍，速度提高 5 倍。 圖 4: 權(quán)重的分層分割存儲 (hpZ)ZeRO 模型權(quán)重的分層分割存儲 (hpZ)其次，為了減少向后傳遞期間全收集 (all-gather) 權(quán)重的通信開銷，我們用 GPU 內(nèi)存進行通信。更具體地說，我們不像在 ZeRO 中那樣將整個模型權(quán)重分布在所有機器上，而是在每臺機器中維護一個完整的模型副本。以更高的內(nèi)存開銷為代價，這允許我們用機器內(nèi)的模型權(quán)重全收集 / 廣播 (all-gather/broadcast) 代替昂貴的跨機器全收集 / 廣播 (all-gather/broadcast)，由于機器內(nèi)通信帶寬更高，這使得通信速度大幅提升。

圖 5: qgZ 端到端的工作流程

ZeRO 通信過程中梯度量化 (qgZ)第三，要降低梯度的 reduce-scatter 通信成本更具挑戰(zhàn)性。因為直接應(yīng)用量化來減少通信量是不可行的。即使我們使用分區(qū)量化來降低量化誤差，梯度 reduce 也會累積并放大量化誤差。為了解決這個問題，我們只在通信之前量化梯度，但在任何 reduce 操作之前將它們反量化到原有精度。為了有效地做到這一點，我們發(fā)明了一種名為 qgZ 的基于 all-to-all 的新型量化梯度通信范式，它在功能上等同于壓縮的歸約 - 分散 (reduce-scatter) 操作。 qgZ 旨在解決兩個挑戰(zhàn)：i) 如果我們簡單地在 INT4/INT8 中實施 reduce-scatter 會導(dǎo)致顯著精度損失，以及 ii) 在傳統(tǒng) tree 或 ring-based reduce-scatter 中使用量化需要一長串量化和反量化步驟，這直接導(dǎo)致誤差積累和顯著的延遲，即使我們在全精度上進行 reduce。為了解決這兩個挑戰(zhàn)，qgZ 不使用 tree 或 ring-based reduce-scatter 算法，而是基于一種新穎的分層 all-to-all 方法。 qgZ 中有三個主要步驟： 梯度切片重新排序； 節(jié)點內(nèi)通信和 reduce； 節(jié)點間通信和 reduce。 首先，在任何通信發(fā)生之前，我們對梯度進行切片并對張量切片重新排序，以保證通信結(jié)束時每個 GPU 上的最終梯度位置（即圖 5 中的綠色塊）是正確的。其次，我們量化重新排序的梯度切片，在每個節(jié)點內(nèi)進行 all-to-all 通信，從 all-to-all 中對接收到的梯度切片進行反量化，并進行局部 reduce。第三，我們再次量化局部 reduce 后的梯度，進行節(jié)點間的 all-to-all 通信，再次對接收到的梯度進行反量化，并計算最終的高精度梯度 reduce，得到圖 5 中綠色塊的結(jié)果。 這種分層方法的原因是為了減少跨節(jié)點通信量。更準確地說，給定每個節(jié)點 N 個 GPU、M 的模型大小和 Z 的量化比率，單跳 all-to-all 將生成 M*N/Z 跨節(jié)點流量。相比之下，通過這種分層方法，我們將每個 GPU 的跨節(jié)點流量從 M/Z 減少到 M/(Z*N)。因此，總通信量從 M*N/Z 減少到 M*N/(Z*N) = M/Z。我們通過重疊節(jié)點內(nèi)和節(jié)點間通信以及融合 CUDA 內(nèi)核來進一步優(yōu)化 qgZ 的端到端延遲（張量切片重新排序 (Tensor Slice Reordering)+ 節(jié)點內(nèi)量化 (Intra-node quantization)）和（節(jié)點內(nèi)反量化 (Intra-node Dequantization) + 節(jié)點內(nèi)梯度整合 (Intra-node Reduction) + 節(jié)點間量化 (inter-node quantization)）。 通信總量優(yōu)化通過結(jié)合以上所有三個組件，我們將跨節(jié)點通信量從 3M 減少到 0.75M。更具體地說，我們使用 qwZ 將模型權(quán)重的前向全收集 / 廣播從 M 減少到 0.5M。我們使用 hpZ 消除了反向傳播期間的跨節(jié)點 all-gather，將通信從 M 減少到 0。最后，我們使用 qgZ 將反 向傳播期間的跨節(jié)點 reduce-scatter 通信從 M 減少到 0.25M。 ZeRO++ 加速大型語言模型訓(xùn)練在這里，我們展示了 ZeRO++ 在 384 個 Nvidia V100 GPU 上的真實 LLM 訓(xùn)練場景的測試結(jié)果。 圖 6: 在 384 個 V100 GPU 上的各種模型大小下 ZeRO++ 與 ZeRO 的吞吐量，節(jié)點間使用 4 個 Infiniband (IB) 進行互連，每個以 100 Gbps 運行。在 GPU 小 batch size 情況下 ZeRO++ 實現(xiàn)更高的訓(xùn)練效率高帶寬集群：如圖 6 所示，我們首先展示了 ZeRO++ 相對于 ZeRO 的吞吐量改進，針對不同的模型大小和微批量 (micro-batch size) 大小，測試使用 4x Infiniband (IB) 以實現(xiàn) 400Gbps 跨節(jié)點互連帶寬，每個以 100Gbps 運行。在 micro-batch size 為每 GPU 1k tokens 時，ZeRO++ 比 ZeRO-3 的吞吐量提高了 28% 到 36%。對于 2k tokens micro-batch size 大小，ZeRO++ 比 ZeRO-3 實現(xiàn)了 24% 到 29% 的吞吐量增益。 圖 7: 在 384 個 V00 GPU 上 100Gbps 跨節(jié)點帶寬時各種 LLM 的吞吐量低帶寬集群：在 100Gbps 等低帶寬網(wǎng)絡(luò)環(huán)境中，ZeRO++ 的性能明顯優(yōu)于 ZeRO-3。如圖 7 所示，與 ZeRO-3 相比，ZeRO++ 在端到端吞吐量方面實現(xiàn)了高達 2.2 倍的加速。平均而言，ZeRO++ 比 ZeRO-3 基線實現(xiàn)了大約 2 倍的加速。 圖 8: ZeRO++ 以顯著降低的帶寬實現(xiàn)高帶寬集群性能實現(xiàn)高帶寬 ZeRO 和低帶寬 ZeRO++ 集群之間的模型訓(xùn)練效率等效此外，與 ZeRO 在高得多的帶寬環(huán)境下相比，ZeRO ++ 可以在低帶寬集群中實現(xiàn)相當?shù)南到y(tǒng)吞吐量。如圖 8 所示，對于 18B 和 138B 模型大小，具有 200Gbps 跨節(jié)點帶寬的 ZeRO++ 可以達到與 800Gbps 跨節(jié)點帶寬的 ZeRO-3 相似的 TFLOP。 鑒于 ZeRO++ 出色的可擴展性，我們將 ZeRO++ 視為用于訓(xùn)練大型 AI 模型的下一代 ZeRO。 DeepSpeed-Chat 與 ZeRO++ 結(jié)合用于 RLHF 訓(xùn)練RLHF 訓(xùn)練簡介ChatGPT 類模型由 LLM 提供支持，并使用 RLHF 進行微調(diào)。RLHF 由生成（推理）階段和訓(xùn)練階段組成。在生成階段，演員 (actor) 模型將部分對話作為輸入，并使用一系列前向傳遞生成響應(yīng)。然后在訓(xùn)練階段，評論 (critic) 模型根據(jù)質(zhì)量對生成的響應(yīng)進行排名，為演員模型提供強化信號。使用這些排名對參與者模型進行微調(diào)，使其能夠在后續(xù)迭代中生成更準確和適當?shù)捻憫?yīng)。 RLHF 訓(xùn)練帶來了巨大的內(nèi)存壓力，因為它使用了四種模型（演員、參考、評論、獎勵）。常見的解決方案是采用低秩自適應(yīng)訓(xùn)練 (LoRA) 來解決 RLHF 的內(nèi)存壓力。LoRA 凍結(jié)了預(yù)訓(xùn)練模型的權(quán)重，并將可訓(xùn)練的秩分解矩陣注入到 Transformer 架構(gòu)的每一層中，顯著減少了可訓(xùn)練參數(shù)的數(shù)量。LoRA 通過減少內(nèi)存使用來加速 RLHF，允許更大的批處理 (batch) 大小，從而大大提高吞吐量。 DeepSpeed-Chat with ZeRO++ 用于 RLHF 訓(xùn)練圖 9: ZeRO++ 加速了 RLHF 訓(xùn)練的生成和訓(xùn)練階段ZeRO++ 在 RLHF + LoRA 的場景下有著獨特的應(yīng)用，因為大多數(shù)模型權(quán)重都被凍結(jié)了。這意味著 ZeRO++ 可以將這些凍結(jié)的權(quán)重量化保存到 INT4/8 中，而不是將它們存儲在 fp16 中并在每次通信操作之前對其進行量化。通信后的反量化仍然是為了讓權(quán)重為計算做好準備，但反量化后的權(quán)重在計算后被簡單地丟棄。 以這種方式使用 ZeRO++ 進行 RLHF 訓(xùn)練可以減少內(nèi)存使用和通信量。這意味著通過減少通信以及由于減少內(nèi)存使用而啟用更大的批處理大小來提高訓(xùn)練吞吐量。在生成階段，ZeRO++ 使用 hpZ 將所有權(quán)重通信保持在每個節(jié)點內(nèi)，以利用更高的節(jié)點內(nèi)通信帶寬，減少通信量，進一步提高生成吞吐量。 ZeRO++ 已集成到 DeepSpeed-Chat 中，以支持 ChatGPT 類模型的 RLHF 訓(xùn)練。在圖 9 中，我們比較了不同大小的 actor 模型的 RLHF 生成吞吐量。測試配置為 32 個 V100 GPU ，actor 模型大小為 30B 和 66B 以測試 ZeRO 和 ZeRO++ 性能。結(jié)果表明，ZeRO++ 的 RLHF 生成吞吐量比 ZeRO 高出 2.25 倍。我們還展示了在 16 個 V100 GPU 上訓(xùn)練階段的加速，其中 ZeRO++ 實現(xiàn)了比 ZeRO 高 1.26 倍的吞吐量，這是由于 ZeRO++ 支持的更低通信量和更大批量大小。 DeepSpeed ZeRO++ 現(xiàn)已發(fā)布！我們非常高興能夠發(fā)布 DeepSpeed ZeRO++ 并讓 AI 社區(qū)中的每個人都可以使用它。請訪問我們的 GitHub 頁面以獲取 LLM 訓(xùn)練教程。用于 DeepSpeed-Chat 的 ZeRO++ 將在未來幾周內(nèi)發(fā)布。有關(guān) ZeRO++ 的更多技術(shù)細節(jié)，請查看我們的 arxiv 論文。 DeepSpeed-ZeRO++ 是 DeepSpeed 生態(tài)系統(tǒng)的一部分。要了解更多信息，請訪問我們的網(wǎng)站，在那里您可以找到詳細的博客文章、教程和有用的文檔。 您還可以在我們的英文 Twitter、日文 Twitter 和中文知乎 上獲取最新的 DeepSpeed 新聞。 DeepSpeed 歡迎您的貢獻！我們鼓勵您在 DeepSpeed GitHub 頁面上報告問題、貢獻 PR 并加入討論。有關(guān)更多詳細信息，請參閱我們的貢獻指南。我們對與大學(xué)、研究實驗室和公司的合作持開放態(tài)度。對于此類請求（以及其他不適合 GitHub 的請求），請直接發(fā)送電子郵件至 deepspeed-info@microsoft.com。 貢獻者:DeepSpeed 團隊的以下人員的貢獻使該項目成為可能： Guanhua Wang, Heyang Qin, Sam Ade Jacobs, Connor Holmes, Samyam Rajbhandari, Olatunji Ruwase, Ammar Ahmad Awan, Jeff Rasley, Michael Wyatt, Yuxiong He (team lead) 本文轉(zhuǎn)載自微軟DeepSpeed組。 官方知乎賬號：zhihu.com/people/deepspeed ?THE END 轉(zhuǎn)載請聯(lián)系本公眾號獲得授權(quán) 投稿或?qū)で髨蟮溃篶ontent@jiqizhixin.com

關(guān)鍵詞：