Deepspeed、ZeRO、FSDP、ZeRO-Offload、all reduce、reduce-scatter

Transformer为基础的大模型应该如何并行

数据并行。但是如果模型太大放不到一块卡上就没用了。为了解决把参数放到一块卡上的问题，演进出了论文Zero的思想，分为Zero-DP和Zero-R两部分。Zero-DP是解决Data parallel的问题，并行过程中内容不够，解决思路也比较简单，模型参数w只存在一台机器上，剩下的部分等用的时候找某台机器通过all-reduce请求就可以了。Zero-R是在每一层输入存不下，解决思想是带宽换内存。由Zero论文演进的Deep-speed框架影响了pytorch分布式计算的接口。
模型并行。典型的是按照GPipe的思路，将模型按层切开，这样会实现像CPU流水线一样并行的设计。
张量并行。典型的是Megatron LM，其实就是将矩阵乘法切开，参考下图：

DeepSpeed中参数量的估计

基本问题：在理解ZeRO前需要先理解一个基本问题，对于一个参数量为 $\Phi$ 的模型，使用Adam优化器单卡进行混合精度训练过程中至少占多大显存？结果是16* $\Phi$ ，分为以下两个部分：
- 模型参数、模型梯度使用半精度FP16进行保存，模型迭代前向反向过程使用的都是FP16，因此对于模型参数、模型梯度的存储需要2* $\Phi$ +2* $\Phi$ 个字节（半精度FP16或者BF16占用两个字节所以*2），也就是下图红框中的2+2
- 在optimizer进行模型参数更新时，由于需要大量的累加和乘运算，半精度在这时经常出现精度溢出的情况，因此这时还是换回用FP32来优化，这也是混合精度计算命名的由来。在Adam更新时，原来FP16保存的模型参数会转换成FP32，占用4个字节。Adam中存在一阶矩和二阶矩两个Optimizer state，各占4个字节，也就是8个字节。因此这部分一共需要12个字节，也就是下图蓝框中的K=12（当然使用不同优化器这部分占用的显存是不一样的，这里就不展开了）。
核心想法：ZeRO的贡献分为ZeRO-DP（Data Parallel）和ZeRO-R（Residual State Memory）两部分优化思路：
- ZeRO-DP实际上是利用参数服务器all reduce的思想把数据分到Nd块卡上，减少平均到每一块卡上的显存占用。DeepSpeed在实际使用中需要预先配置使用stage1（只数据并行上述K=12优化器状态部分的显存）或者stage2（数据并行上述K=12优化器状态部分+梯度部分的显存）或者stage3（数据并行上述K=12优化器状态部分+梯度部分+模型参数部分的显存），理解上图就理解了Zero工作的核心思想
- ZeRO-R（Residual State Memory），这里Residual State Memory主要几个trick的叠加：1. 神经网络或者多层Transformers总依赖前一层算完才能再算下一层，保存前一层的结果会也会占用显存，ZeRO-R这里采用的是时间换空间通过合理并行来减少显存的想法；2. Constant Size Buffers，多卡通信中如果数据包太大或者太小都不利于整体效率，作者这里做了合理的tradeoff
实际操作：由HuggingFace出的accelerate（https://huggingface.co/docs/accelerate/usage_guides/deepspeed）本身可以简化DeepSpeed的配置。DeepSpeed的配置项非常多，手动配置较容易出错，建议使用accelerate config完成初始配置后直接用accelerate launch不带其他accelerate参数启动code
视频讲解：来自李沐老师对这篇文章的精读（https://www.bilibili.com/video/BV1tY411g7ZT?vd_source=e260233b721e72ff23328d5f4188b304）强烈推荐，文章本身写的啰里啰嗦的
论文地址： https://arxiv.org/pdf/1910.02054.pdf

Fully Sharded Data Parallel (FSDP)

FSDP来自facebook，对标微软在DeepSpeed中提出的Zero。FSDP可以看成PyTorch中的DDP优化版本，本身也是数据并行，但是和DDP不同的是，FSDP采用了parameter sharding，所谓的parameter sharding就是将模型参数也切分到各个GPUs上，而DDP每个GPU都要保存一份parameter，FSDP可以实现更好的训练效率（速度和显存使用），FSDP其实是和ZeRO-3更加接近

all-reduce=reduce-scatter+all-gather

在DDP中的操作是all-reduce，但是在FSDP中换成了reduce-scatter和all-gather，如下图
在这里插入图片描述
关于为什么all-reduce=reduce-scatter+all-gather？其实下面一张图解释的很清楚，引用https://engineering.fb.com/2021/07/15/open-source/fsdp/attachment/fsdp-graph-2a/的文字来说就是“All-reduce as a combination of reduce-scatter and all-gather. The standard all-reduce operation to aggregate gradients can be decomposed into two separate phases: reduce-scatter and all-gather. During the reduce-scatter phase, the gradients are summed in equal blocks among ranks on each GPU based on their rank index. During the all-gather phase, the sharded portion of aggregated gradients available on each GPU are made available to all GPUs (see here for details on those operators).” 简单来说就是把All Reduce这一步给打碎（scatter掉），如果直接all reduce，会存在广播的问题，带来的问题是带宽是瓶颈
在这里插入图片描述
为什么带宽会成为瓶颈，可以参考一流科技的文章https://juejin.cn/post/7090798853711986695：

关于reduce-scatter这几个操作的定义可以参考英伟达的文档https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/usage/collectives.html：
在这里插入图片描述

Zero-Offload

Zero-offload，也有被称为Zero4的, 这个甚至是一张卡都可以，Zero-offload就是针对GPU显存不够，甚至单卡的场景设计出来的。Zero-offload，为了优化各种算子的执行，把复杂的FWD和BWD放在了GPU上执行，而相对固定可控的算子param update和float2half就放在了CPU上进行运算，而这一部分除了相对算子简单以外，最重要的是Adam优化器本身是32bit的，把它放在CPU的内存上，会极大的节省GPU的显存。

这部分转载自：