AI加速引擎PAI-TorchAcc：整体介绍与性能概述

作者：沈雯婷、黄奕桐、艾宝乐、王昂、李永

1、简介

PAI-TorchAcc(Torch Accelerator)是阿里云人工智能平台开发的Pytorch上的大模型训练加速框架。

PAI-TorchAcc提供了一套基于Pytorch的简洁、易用的接口，无需进行模型转换就可以无缝地接入HuggingFace上的模型，并用多种分布式策略进行训练加速。

PAI-TorchAcc借助社区PyTorch/XLA，通过 LazyTensor 技术将Pytorch代码转换为静态执行图，基于计算图，结合阿里云上的计算资源情况，进行了大量的GPU硬件上模型训练的针对性分布式优化、计算优化。

得益于简单的模型接入方式、基于计算图的优化，PAI-TorchAcc能够灵活地支持各种大模型的多种规模，兼容不同的硬件。PAI-TorchAcc支持常见大模型1B-175B的训练，训练吞吐相对PyTorch原生、Megatron-LM均有提升，如LLaMA系列模型，相比PyTorch原生提升了140%，相比Megatron-LM提升了5%，在A100上MFU达到70%，8卡到128卡线性加速比达到15.6X。

2、背景和需求

2.1 背景

大模型训练

近年来，大语言模型、视频生成类模型迅速发展，它们基于庞大的文本、图片、视频等数据集进行训练，执行多种自然语言处理、图像生成、视频生成等任务，具备强大的理解和生成能力。随着计算资源和技术的不断进步，大模型的参数量已增长到数亿甚至数万亿级别，例如LLaMA、GPT-3、通义千问、Sora等，这些模型在许多基准测试上表现出了前所未有的性能。

然而，训练大模型需要极高的成本。比如使用Megatron-LM预训练一个OPT-175B模型需要上千张A100训练2个月[1]，硬件利用率MFU约47%，期间因为硬件故障经历了几十次checkpoint的加载和续训练。使用PyTorch FSDP进行LLaMA-2-70B的微调也需要16张A100运行约13.5小时[2]。NVIDIA A100、H100等硬件资源价格高昂且不易获取，市面上也逐渐出现了其他性价比更高的硬件资源。

加速不同的大模型的预训练、续训练、微调，充分利用不同的硬件资源，提升资源利用率，是降低大模型训练成本的一个有效途径。

Megatron-LM

NVIDIA Megatron-LM[3]是一个基于 PyTorch 的分布式训练框架，用来训练基于Transformer的大模型。Megatron-LM综合应用了数据并行、模型并行、流水并行来实现GPT-3等特定模型的训练。然而，不同的大模型、训练数据集接入Megatron-LM十分不灵活，需要将checkpoint和数据格式进行转换。同时，Megatron-LM虽然对一些模型算子做了手动的优化，在面对不同模型的不同计算模式时，难以自动地应用这种手动的优化。

DeepSpeed

DeepSpeed[4]是微软开源的一个PyTorch上的大模型分布式训练框架，支持ZeRO和流水并行，并且可以结合Megatron-LM运行3D并行。DeepSpeed已经成为HuggingFace transformers库中一个训练组件。然而DeepSpeed性能表现较差，并且和Megatron-LM同样存在面对不同计算模式时无法灵活优化的限制。

PyTorch/XLA

PyTorch/XLA[5]将PyTorch和 OpenXLA相结合，使用LazyTenor技术，将PyTorch代码转换为静态执行图，在静态图上进行计算图优化和后端编译优化。Pytorch/XLA主要是针对TPU 场景进行优化，在GPU上还存在一定问题和优化空间，如不支持Transformers 模型常用的FlashAttention加速算子、不支持 torchrun 拉起、计算通信 Overlap 差、显存开销大等问题。

2.2 需求

基于以上背景，我们需要一个大模型分布式训练引擎，能够方便接入多变的PyTorch模型，尤其是Transformer类模型，兼容多种硬件。在不同模型变化的计算模式下，在不同硬件变化的硬件架构和计算、访存能力下，能够自动地对计算进行优化，尤其在阿里云的硬件上能够表现较高的性能。同时，大模型导致单卡内存和显存无法完全放下，不同的模型需要结合不同的分布式策略，合理通信，完成多卡训练并提升线性加速比。

3、PAI-TorchAcc核心技术特性

灵活的模型接入

支持LLaMA系列、Qwen、BaiChuan、ChatGLM、OLMo、Bloom等常见的大模型1B-175B的训练；
无缝对接HuggingFace中的模型；
一键接入和加速Pytorch模型。

千亿级模型参数量

已经支持1B到175B大模型训练；

全面的训练模式

支持混合精度训练，包括Float32、Float16、BFloat16等；
支持Pytorch模型的预训练、微调和续训练。

组合的分布式策略

支持Data Parallel、Tensor Parallel、Sequence Parallel、Fully Sharded Data Parallel、Pipeline等分布式策略及其组合。

自动计算优化和显存优化

使用手动的Gradient Checkpoint和自动的Rematerialization降低峰值显存；
自动进行显存规划和管理，降低峰值显存和减少显存碎片化；
自动对Kernel进行编译优化，提高计算效率；
自动接入SOTA的高性能Kernel。

兼容多种硬件

兼容NVIDIA A100/800, H100/800, V100等；
兼容阿里云上灵骏集群的硬件资源。

与现有框架对比

	模型支持	分布式训练策略	算子优化	性能
DeepSpeed	HuggingFace模型，用户自定义模型	ZeRO/PP	手写Kernel优化	⭐️
Megatron	只有GPT/BERT/T5等少数模型	DP/TP/PP	手写Kernel优化	⭐️⭐️⭐️
PAI-TorchAcc	HuggingFace模型，用户自定义模型	DP/FSDP/TP/PP/SP	自动编译优化&手写Kernel优化	⭐️⭐️⭐️

4、PAI-TorchAcc架构

4.1 总体架构

PAI-TorchAcc的架构自顶向下分为以下几层：

模型层：支持计算机视觉、自然语言处理、语音合成等深度学习模型训练的加速；
算法库：支持HuggingFace Transfomers、PAI-EasyNLP、TIMM等算法库构建的模型；
前端：支持以PyTorch为前端语言的模型训练；
Lowering：使用LazyTensor、Symbolic Trace等技术将前端代码转换为静态执行图;
IR：使用多层中间表达，包含High-Level的设备无关的IR和Low-Level的设备相关的IR，基于两层IR上分别做计算图优化和后端编译优化。
编译优化引擎：TorchAcc的编译优化引擎包括计算图优化引擎TorchAcc Compiler和多种后端编译优化引擎BladeDISC和OpenXLA。基于两层IR，进行分布式优化、显存优化、通信优化、计算优化以及算子调度和显存管理等优化，生成优化的设备码。
硬件：最终产生硬件相关的设备码在不同算力、带宽和显存的硬件设备上执行。

4.2 接口

PAI-TorchAcc抽取了一套简洁的接口，灵活接入并加速任意的Pytorch模型，而不需要改动原有的模型代码。

通过 PAI-TorchAcc 加速模型训练一般需要三步：

定义 torchacc.Config，并指定加速选项。
调用 torchacc.accelerate，并传入model和config，完成加速训练的准备。
通过 torchacc.AsyncLoader对 torch dataset_loader 进行封装，加速数据加载。

model = ...
  dataloader = ...

+ # 一行代码加速模型，也可传入Config配置更丰富的加速功能，如分布式策略、编译优化选项等
+ model = torchacc.accelerate(model)

+ # 异步加速数据加载
+ dataloader = torchacc.AsyncLoader(dataloader, model.device)

  model.train()
  for source, labels in dataloader:
      ...

4.3 编译优化

PAI-TorchAcc通过LazyTensor、Symbolic Trace等技术将前端Pytorch代码转换为静态执行图，并在静态图上进行自动优化，在分布式的硬件设备上高效运行。

4.4 计算图优化

在Tensor Graph上进行优化，这层优化基于High-Level IR——StableHLO进行。

分布式：通过分图和通信算子插入，完成流水并行、SPMD等。
显存优化：通过算子级别的显存Live range和复用分析、静态调度策略、自动重算、显存管理优化等来减少显存的峰值和碎片化。
计算优化：通过CSE等简化计算，通过算子大粒度融合来优化访存密集型算子，减少kernel launch，减少访存，提升计算效率；通过自动的计算图匹配重写的方式接入Flash Attention等高性能Kernel。
通信优化：通过通信算子的合并、拆分、异步化以及算子的调度来提升通信效率，提高计算和通信的overlap。

4.5后端编译优化

在Buffer Graph上进行优化，这层优化基于Low-Level的IR，包括LHLO、LLVM IR和多种MLIR的dialect。

多后端：支持OpenXLA和阿里自研的BladeDISC两种编译后端；
Lowering和Codegen：将上层的StableHLO Lowering成LHLO和多种MLIR的dialect，并在各级Lowering过程中进行优化，最终表达为LLVM IR，通过LLVM生成针对硬件的优化代码；
Custom Call：High-Level IR自动Pattern rewrite的优化kernel，通过custom call调用。

5、实践案例和性能

PAI-TorchAcc在A100上能够达到70%的MFU，并且在多卡下几乎线性扩展（8卡到128卡加速比15.6X），在灵活支持各种模型的基础上，性能能够高于Megatron-LM。我们在常见的开源大模型上做了性能测试，使用相同的硬件资源，PAI-TorchAcc的训练吞吐相对PyTorch原生、Megatron均有提升，如LLaMA系列模型相对PyTorch原生提升了140%，相对Megatron提升了5%。

我们将在后续的系列文章中提供一个具体的实践案例：PAI-TorchAcc在OLMo模型训练上的接入示例和加速效果，并且给出加速的来源分析。

6、总结和未来展望

PAI-TorchAcc可以灵活接入Pytorch模型，并通过并行化策略、显存优化、计算优化和调度优化等方法来加速大模型以及视觉类、语音类模型的训练。PAI-TorchAcc已经在常见大模型上如LLaMA、LLaMA-2、BaiChuan、ChatGLM、QWen、OLMo、Bloom取得了不错的效果。未来我们将从以下方向继续深入优化，以支持更多的场景，取得更好的加速效果。

Graph Capture优化和子图编译：在生成计算图的过程中遇到无法识别的算子将导致编译失败，我们将进一步优化Graph Capture，并支持子图的编译优化。
自动分布式：PAI-TorchAcc提供了多种分布式策略，然而在不同的模型和硬件上，使用哪种组合的分布式策略、如何进行分图能够取得最优的性能，仍然需要根据经验手动配置。PAI-TorchAcc将借助静态计算图和模型、硬件特性，做自动的分布式。
AutoGC：借助静态计算图和模型、硬件特性，自动进行checkpoint选点。
动态Shape性能优化：动态Shape导致重编译引起的性能下降，当前我们通过分桶的方式减少了重编译的次数，仍然存在大量的padding，如何做更高性能的动态Shape支持，是一个深入优化的方向。
自研编译优化引擎BladeDISC的优化。