[LLM] ZeRO-DP技术简析

[LLM] ZeRO-DP技术简析

本文对ZeRO: Memory Optimizations Toward Training Trillion Parameter Models中提出的ZeRO-DP进行简要总结。相关的讲解其实网上也有很多了，不过只看网上的终究还是有点走马观花，所以我还是决定自己写一篇博客，记录一下我自己的理解。这篇博客讲的不会太细，但是希望能用更易于理解的方式，讲明白文中的重要内容。

为什么需要ZeRO-DP？

• 数据并行（DP）是分布式训练中最基本的并行方式，它通过把数据分发到不同的GPU上从而提升效率。但数据并行不会降低每个GPU的显存开销。在一个数据并行组中，不同的GPU保存的模型参数、优化器状态、和梯度其实都是同一份。每次迭代时，需要对模型参数进行All-Reduce来同步状态。

• 为了避免存储冗余状态，降低显存开销，ZeRO-DP选择把这些状态也分割到不同的GPU上（注意：这不同于模型并行MP。ZeRO-DP本质上还是DP，它是把状态在DP组内进行分割，它可以于MP同时存在。）在前向传播的时候，每个GPU从其他GPU那里获取到全部状态并进行计算；在反向传播的时候，只把划分后的状态发给每个GPU。

概述

• 图中，\(\Psi\)代表模型参数量，图中使用fp16参数，所以模型参数占用内存为\(2\Psi\)；\(N_d\)表示DP度数（DP组的大小）；\(K\)表示优化器状态的参数量是模型参数量的多少倍，图中使用Adam优化器中\(K=12\)。

• ZeRO-DP一共分为三个阶段：

  • \(P_{os}\)对优化器状态进行划分。
  • \(P_{os+g}\)对优化器状态和梯度进行划分。
  • \(P_{os+g+p}\)对优化器状态，梯度和模型参数进行划分。

• 图中可以明显的看出每个阶段的划分所带来的显存降低收益。

通信量分析

• 很明显的，ZeRO-DP将状态划分到不同的GPU上，从而降低了显存开销。但是在这个过程中，拉取和分发状态是否会导致额外的通信开销呢？所以我们来分析一下ZeRO-DP的通信开销。

前置知识

• 为了方便，我们这里先不考虑模型并行MP，只考虑数据并行DP。这里的通信开销指的是每台GPU所需的通信量。

• All-reduce的通信开销是\(2\Psi\)。Reduce-scatter和All-gather的通信开销都是\(\Psi\)。

传统DP的通信开销

在下面图中，\(D\)表示数据，\(P\)表示模型参数，\(G\)表示梯度，\(O\)表示优化器参数。下标表示数据划分的第\(i\)块，上标表示模型划分的第\(j\)块。这里只考虑2个GPU。

在传统DP中，正向传播不需要任何通信。但是在反向传播中，由于所有GPU上的模型参数是副本关系，所以它们要进行All-reduce完成同步，所需通信量是\(2\Psi\)​。

\(P_{os+g}\)​的通信开销

\(P_{os}\)和\(P_{os+g}\)的通信量相同。在前向，每个GPU都能计算完整的梯度。在反向，需要对梯度进行reduce-scatter，每个GPU对自己的部分梯度进行聚合，使用自己的优化器得到参数。最后再对参数进行all-gather发给每个GPU。总的通信量为\(\Psi+\Psi=2\Psi\)​，和传统DP是一样的。

\(P_{os+g+p}\)的通信开销

接着考虑对模型参数进行划分。在前向，在一开始额外对参数进行一次all-gather，使每个GPU获取到全部的参数。在反向，依然对梯度进行reduce-scatter。

注意到模型有很多层。在前向，在我们使用了一层的全部参数计算完成后，我们可以直接释放掉这些参数的显存，接着算后面的层，防止这些参数一直占用着显存。但这样的话，在反向，我们需要再进行一次all-gather重新获得这一层的参数才行。因此，总的通信量是\(2\Psi+\Psi=3\Psi\)。