大模型多卡训练原理

背景知识

深度学习涉及大量矩阵运算，而矩阵运算可以并行计算。

一、数据并行

每张卡加载不同的数据，将计算结果合并

存在问题：每个显卡都加载了模型，浪费了一定空间

二、模型并行：适合模型特别大的情况

1、串行计算

先用卡1计算结果1，然后卡2计算结果2，……卡n计算结果n，然后计算损失反向传播

串行计算，不是为了提速，而是为了解决模型一张卡放不下的问题

存在问题：gpu大量空闲

2、并行计算

batchsize=80，分成4个20

类似操作系统学的并行处理

存在问题：80个全部计算完，才反向传播

3、进一步优化

算完前向计算，直接反向传播，不等别人，gpu利用率进一步提高

绿色块为更新后的参数

存在问题：每一块gpu用的参数都不一样，参数不是同时更新的，模型层与层之间的参数不配套。

GPU优化：时间换空间或空间换时间

三、数据并行&模型并行

GPU1&GPU2、GPU3&GPU4：模型并行（难点：合理地切割模型）

GPU1&GPU3、GPU2&GPU4：数据并行

四、张量并行

1、一个完整，另一个按行或列并行

两张卡都保存x，卡1保存A列1，卡2保存A列2，分别计算然后拼接结果

支持激活函数的并行（因此常用）

2、对两个矩阵合理拆解

x和A都拆成两个模块，分别在卡1和卡2中计算，然后将结果相加

不支持激活函数的并行（因此不常用）

?3、其它拆法

优点：Gpu1和Gpu2没有重复数据，节约内存

五、多头注意力机制

大模型的核心：Transformer

Transformer的核心：多头注意力机制

多头注意力机制天然就适合并行计算

X1和X2的计算互不干扰

LSTM、RNN下一时刻的输出需要依赖上一时刻，无法做到并行，导致GPU闲置率太大。其效果不如注意力，同时与硬件也不匹配，因此失去研究前景。

GPT、T5、Bart、Bert都是基于注意力做的。

六、两台机器如何配合并行训练