使用张量并行 (TP) 训练大规模 Transformer 模型¶

注意

在 github 中查看和编辑本教程。

本教程演示了如何使用张量并行和完全分片数据并行在数百到数千个 GPU 上训练大型 Transformer 类模型。

先决条件

安装了 CUDA/Linux 的 PyTorch 2.3.0 或更高版本
张量并行 API
DeviceMesh 入门
完全分片数据并行入门

张量并行的工作原理？¶

张量并行 (TP) 最初是在 Megatron-LM 论文中提出的，它是一种高效的模型并行技术，用于训练大型 Transformer 模型。本教程中提到的序列并行 (SP) 是张量并行的一个变体，它在序列维度上对 nn.LayerNorm 或 RMSNorm 进行分片，以进一步节省训练期间的激活内存。随着模型规模的扩大，激活内存成为瓶颈，因此在张量并行训练中，通常会将序列并行应用于 LayerNorm 或 RMSNorm 层。

图 1. 展示了在 Transformer 模型的 MLP 和自注意力层上采用张量并行方式进行分片，其中注意力/MLP 中的矩阵乘法通过分片计算进行 (图片源)¶

从高层次来看，PyTorch 张量并行的工作原理如下：

分片初始化

确定要应用于每一层的 ParallelStyle，并通过调用 parallelize_module 对初始化的模块进行分片。
并行化后的模块会将其模型参数交换为 DTensor，DTensor 将负责使用分片计算来运行并行化后的模块。

运行时前向/反向传播

根据用户为每个 ParallelStyle 指定的输入/输出 DTensor 布局，它将运行适当的通信操作来转换输入/输出的 DTensor 布局（例如 allreduce、allgather 和 reduce_scatter）。
对并行化后的层运行分片计算以节省计算/内存（例如，nn.Linear、nn.Embedding）。

何时以及为何应用张量并行¶

PyTorch 全分片数据并行 (FSDP) 已经具备将模型训练扩展到特定数量的 GPU 的能力。但是，当涉及到进一步扩展模型训练的模型规模和 GPU 数量时，会出现许多额外的挑战，可能需要将张量并行与 FSDP 结合使用。

随着世界规模（GPU 数量）变得过大（超过 128/256 个 GPU），FSDP 集体通信（例如 allgather）受到环路延迟的影响。通过在 FSDP 之上实现 TP/SP，可以将 FSDP 的世界规模减少 8 倍，方法是将 FSDP 应用于仅限主机间，从而将延迟成本降低相同的数量。
遇到数据并行限制，由于收敛性和 GPU 内存限制，无法将全局批大小提高到超过 GPU 数量，张量/序列并行是“大致”调整全局批大小并继续使用更多 GPU 进行扩展的唯一已知方法。这意味着模型大小和 GPU 数量都可以继续扩展。
对于某些类型的模型，当本地批大小变小时，TP/SP 可以产生针对浮点运算 (FLOPS) 进行了更多优化的矩阵乘法形状。

那么，在预训练期间，遇到这些限制有多容易呢？截至目前，即使使用数千个 GPU，预训练具有数十亿或数万亿个标记的大型语言模型 (LLM) 也可能需要数月时间。

在大型 LLM 训练中，始终会遇到限制 1。例如，Llama 2 70B 使用 2k 个 GPU 训练了 35 天，在 2k 规模下需要多维并行。
当 Transformer 模型变得更大（例如 Llama2 70B）时，它也会很快遇到限制 2。由于内存和收敛约束，即使使用本地 batch_size=1 也无法单独使用 FSDP。例如，Llama 2 的全局批大小为 1K，因此在 2K 个 GPU 上无法单独使用数据并行。

如何应用张量并行¶

PyTorch 张量并行 API 提供了一组模块级原语 (ParallelStyle) 来配置模型每个单独层的碎片，包括：

ColwiseParallel 和 RowwiseParallel：以列或行的方式对 nn.Linear 和 nn.Embedding 进行分片。
SequenceParallel：对 nn.LayerNorm、nn.Dropout、RMSNormPython 等执行分片计算。
PrepareModuleInput 和 PrepareModuleOutput：使用适当的通信操作配置模块输入/输出的分片布局。

为了演示如何使用 PyTorch 原生张量并行 API，让我们来看一个常见的 Transformer 模型。在本教程中，我们使用最新的 Llama2 模型作为参考 Transformer 模型实现，因为它在社区中也得到了广泛应用。

由于张量并行在设备集上对单个张量进行分片，因此我们需要首先设置分布式环境（例如 NCCL 通信器）。张量并行是一种类似于 PyTorch DDP/FSDP 的单程序多数据 (SPMD) 分片算法，它在底层利用 PyTorch DTensor 执行分片。它还利用 DeviceMesh 抽象（在底层管理 ProcessGroups）进行设备管理和分片。要了解如何利用 DeviceMesh 设置多维并行，请参阅本教程。张量并行通常在每个主机内工作，因此让我们首先初始化一个 DeviceMesh，它连接主机内的 8 个 GPU。

from torch.distributed.device_mesh import init_device_mesh

tp_mesh = init_device_mesh("cuda", (8,))

现在我们已经初始化了 DeviceMesh，让我们详细了解 Llama 2 模型架构，并了解我们应该如何执行张量并行分片。这里我们重点关注核心 TransformerBlock，其中 Transformer 模型堆叠相同的 TransformerBlock 来扩展模型。

核心 TransformerBlock 由一个 Attention 层和一个 FeedForward 层组成。让我们首先看看更简单的 FeedForward 层。对于 FeedForward 层，它由三个线性层组成，它执行 SwiGLU 样式的 MLP，查看其前向函数：

# forward in the FeedForward layer
def forward(self, x):
    return self.w2(F.silu(self.w1(x)) * self.w3(x))

它并行执行 w1 和 w3 的矩阵乘法，然后用组合的 w1/w3 线性投影结果执行 w2 的矩阵乘法。这意味着我们可以使用张量并行论文中的思想，以列方式对 w1/w3 线性层进行分片，以行方式对 w2 线性层进行分片，以便在所有三个层结束时只发生一次 allreduce 通信。使用 PyTorch 原生张量并行，我们可以为 FeedForward 层创建如下所示的 parallelize_plan：

from torch.distributed.tensor.parallel import ColwiseParallel, RowwiseParallel, parallelize_module

layer_tp_plan = {
    # by default ColwiseParallel input layouts is replicated
    # and RowwiseParallel output layouts is replicated
    "feed_foward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(),
    "feed_forward.w3": ColwiseParallel(),
}

这正是我们使用 PyTorch 张量并行 API 配置 FeedForward 层分片的方式。请注意，用户只需要指定如何对各个层进行分片，通信（例如 allreduce）将在后台发生。

接下来是 Attention 层。它由 wq、wk、wv 线性层组成，用于将输入投影到 q/ k / v，然后它使用 wo 线性层执行注意力和输出投影。张量并行在这里打算对 q/k/v 投影进行列式分片，对 wo 线性投影进行行式分片。因此，我们可以将注意力计划添加到我们刚刚草拟的 tp_plan 中：

layer_tp_plan = {
    # by default ColwiseParallel input layouts is replicated
    # and RowwiseParallel output layouts is replicated
    "attention.wq": ColwiseParallel(),
    "attention.wk": ColwiseParallel(),
    "attention.wv": ColwiseParallel(),
    "attention.wo": RowwiseParallel(),
    "feed_forward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(),
    "feed_forward.w3": ColwiseParallel(),
}

这几乎是我们需要应用于 TransformerBlock 的 layer_tp_plan。但是，有一点需要注意，当对线性层进行列式分片时，线性层的输出将在最后一个张量维度上进行分片，而行式分片线性层直接接受在最后一个维度上进行分片的输入。如果在列式线性层和行式线性层之间还有其他张量操作（例如视图操作），则需要调整相关的形状相关操作到分片形状。

对于 Llama 模型，在注意力层中有一些与形状相关的视图操作。特别是，对于 wq/ wk/ wv 线性层的列式并行，激活张量在 num_heads 维度上进行分片，因此需要将 num_heads 调整为本地 num_heads。

最后，我们需要调用 parallelize_module API 使每个 TransformerBlock 的计划生效。在后台，它将 Attention 和 FeedForward 层内的模型参数分发到 DTensor，并在必要时为模型输入和输出注册通信钩子（分别在每个模块之前和之后）。

for layer_id, transformer_block in enumerate(model.layers):
    layer_tp_plan = {...}  # i.e. the plan we just generated

    # Adjust attention module to use the local number of heads
    attn_layer = transformer_block.attention
    attn_layer.n_heads = attn_layer.n_heads // tp_mesh.size()
    attn_layer.n_kv_heads = attn_layer.n_kv_heads // tp_mesh.size()

    parallelize_module(
        module=transformer_block,
        device_mesh=tp_mesh,
        parallelize_plan=layer_tp_plan,
    )

现在我们已经详细阐述了每个 TransformerBlock 的分片计划，第一层通常有一个 nn.Embedding 和一个最终的 nn.Linear 投影层，用户可以选择对第一个 nn.Embedding 进行行式或列式分片，并对最后一个 nn.Linear 投影层进行列式分片，并指定适当的输入和输出布局。以下是一个示例：

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
        ),
        "output": ColwiseParallel(
            output_layouts=Replicate(),
        ),
    }
)

注意

如果要分区的模型太大而无法放入 CPU 内存，则可以使用 meta 设备初始化（例如，首先在 meta 设备上初始化模型，对层进行分片，然后具体化模型），或者在 Transformer 模型初始化期间逐层并行化 TransformerBlock 层。

将序列并行应用于 `LayerNorm/RMSNorm` 层¶

序列并行建立在上面说明的张量并行的基础之上。与仅对 Attention 模块和 FeedForward 模块内的张量进行分片并保持其模块输入和输出（即前向传递中的激活和反向传递中的梯度）复制的基本张量并行相比，序列并行保持它们在序列维度上进行分片。

在一个典型的 TransformerBlock 中，前向函数组合了规范化层（LayerNorm 或 RMSNorm）、一个注意力层、一个前馈层和残差连接。例如

# forward in a TransformerBlock
def forward(self, x):
    h = x + self.attention(self.attention_norm(x))
    out = h + self.feed_forward(self.ffn_norm(h))
    return out

在大多数用例中，激活（和梯度）的形状为 [batch size, sequence length, hidden dimension]，位于 Attention 和 FeedForward 模块之外。用 DTensor 的语言来说，序列并行使用 Shard(1) 布局执行模块的前向/反向激活计算。遵循前面的代码示例，以下代码演示了如何将序列并行应用于 TransformerBlock 内的规范化层。

首先，让我们导入序列并行所需的依赖项。

from torch.distributed.tensor.parallel import (
    PrepareModuleInput,
    SequenceParallel,
)

接下来，让我们调整 layer_tp_plan 以在 RMSNorm 层上启用序列并行。

layer_tp_plan = {
    # Now the input and output of SequenceParallel has Shard(1) layouts,
    # to represent the input/output tensors sharded on the sequence dimension
    "attention_norm": SequenceParallel(),
    "attention": PrepareModuleInput(
        input_layouts=(Shard(1),),
        desired_input_layouts=(Replicate(),),
    ),
    "attention.wq": ColwiseParallel(),
    "attention.wk": ColwiseParallel(),
    "attention.wv": ColwiseParallel(),
    "attention.wo": RowwiseParallel(output_layouts=Shard(1)),
    "ffn_norm": SequenceParallel(),
    "feed_forward": PrepareModuleInput(
        input_layouts=(Shard(1),),
        desired_input_layouts=(Replicate(),),
    ),
    "feed_forward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(output_layouts=Shard(1)),
    "feed_forward.w3": ColwiseParallel(),
}

可以看到，我们现在使用 PrepareModuleInput 将注意力和前馈层的模块输入布局从 Shard(1) 修改为 Replicate()，并将它们的输出布局标记为 Shard(1)。就像张量并行发生的情况一样，只需要指定输入和输出的张量分片布局，层之间的通信就会自动发生。

请注意，使用序列并行时，我们假设 TransformerBlock 的输入和输出始终在序列维度上进行分片，以便可以无缝地连接多个 TransformerBlocks。这可以通过显式指定开始的 nn.Embedding 层的输出和最终的 nn.Linear 投影层的输入为 Shard(1) 来实现。

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
            output_layouts=Shard(1),
        ),
        "norm": SequenceParallel(),
        "output": ColwiseParallel(
            input_layouts=Shard(1),
            output_layouts=Replicate()
        ),
    }
)

应用损失并行¶

损失并行是一种相关的技术，用于在计算损失函数时节省内存和通信，因为模型输出通常非常大。在损失并行中，当模型输出在（通常巨大的）词汇维度上进行分片时，可以有效地计算交叉熵损失，而无需将所有模型输出收集到每个 GPU。这不仅显着降低了内存消耗，而且还通过减少通信开销和并行执行分片计算来提高训练速度。下图简要说明了损失并行如何通过执行分片计算来避免将所有模型输出收集到每个 GPU。

图 2. 在一个 GPU 上使用损失并行进行交叉熵损失前向计算。蓝色表示分片张量；绿色表示复制的张量；黄色表示具有部分值的张量（要进行全约简）。黑色箭头是本地计算；红色箭头是 GPU 之间的函数集合。¶

在 PyTorch 张量并行 API 中，可以通过上下文管理器 loss_parallel 启用损失并行，使用该管理器，可以直接使用 torch.nn.functional.cross_entropy 或 torch.nn.CrossEntropyLoss，而无需修改代码的其他部分。

要应用损失并行，模型预测（通常形状为 [batch size, sequence length, vocabulary size]）应该在词汇维度上进行分片。这可以通过标记最后一个线性投影层输出的输出布局轻松完成。

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
            output_layouts=Shard(1),
        ),
        "norm": SequenceParallel(),
        "output": ColwiseParallel(
            input_layouts=Shard(1),
            # use DTensor as the output
            use_local_output=False,
        ),
    },
)

在上面的代码中，我们还在输出之前的规范化层应用了序列并行。我们应用 use_local_output=False 以使输出保持为 DTensor，以便与 loss_parallel 上下文管理器一起使用。之后，可以像下面所示简单地调用交叉熵损失函数。请注意，反向计算也需要在上下文中发生。

import torch.nn.functional as F
from torch.distributed.tensor.parallel import loss_parallel

pred = model(input_ids)
with loss_parallel():
    # assuming pred and labels are of the shape [batch, seq, vocab]
    loss = F.cross_entropy(pred.flatten(0, 1), labels.flatten(0, 1))
    loss.backward()

将张量并行与完全分片数据并行结合¶

既然我们已经展示了如何将张量/序列并行应用于模型，那么让我们也看看张量并行和完全分片数据并行如何协同工作。由于张量并行会产生阻塞计算的通信，因此我们希望确保它在快速的通信通道（例如 NVLink）内运行。在实践中，我们通常在每个主机内应用张量并行，并在主机之间应用完全分片数据并行。

图 3. FSDP 和 TP 在不同的设备维度上工作，FSDP 通信发生在主机之间，而 TP 通信发生在主机内部。¶

这种二维并行模式可以通过二维 DeviceMesh 轻松表达，我们只需要将每个“子”DeviceMesh 传递给每个单独的并行 API。

from torch.distributed.device_mesh import init_device_mesh
from torch.distributed.tensor.parallel import ColwiseParallel, RowwiseParallel, parallelize_module
from torch.distributed.fsdp import FullyShardedDataParallel as FSDP

# i.e. 2-D mesh is [dp, tp], training on 64 GPUs that performs 8 way DP and 8 way TP
mesh_2d = init_device_mesh("cuda", (8, 8))
tp_mesh = mesh_2d["tp"] # a submesh that connects intra-host devices
dp_mesh = mesh_2d["dp"] # a submesh that connects inter-host devices

model = Model(...)

tp_plan = {...}

# apply Tensor Parallel intra-host on tp_mesh
model_tp = parallelize_module(model, tp_mesh, tp_plan)
# apply FSDP inter-host on dp_mesh
model_2d = FSDP(model_tp, device_mesh=dp_mesh, use_orig_params=True, ...)

这将使我们能够轻松地在每个主机（主机内）内应用张量并行，并在主机之间（主机间）应用 FSDP，并且对 Llama 模型进行 **0 代码更改**。张量（模型）并行和数据并行技术相结合，提供了使用大量 GPU 继续增加模型规模和有效训练的能力。

结论¶

本教程演示了如何使用张量并行结合完全分片数据并行，在数百到数千个 GPU 上训练大型 Transformer 类模型。它解释了如何将张量并行应用于模型的不同部分，而 **无需对模型本身进行任何代码更改**。张量并行是一种用于大规模训练的高效模型并行技术。

要查看本教程中解释的完整端到端代码示例，请参阅 pytorch/examples 存储库中的张量并行示例。

使用张量并行 (TP) 训练大规模 Transformer 模型¶

张量并行的工作原理？¶

何时以及为何应用张量并行¶

如何应用张量并行¶

将序列并行应用于 `LayerNorm/RMSNorm` 层¶

应用损失并行¶

将张量并行与完全分片数据并行结合¶

结论¶

文档

教程

资源

使用张量并行 (TP) 训练大规模 Transformer 模型¶

张量并行的工作原理？¶

何时以及为何应用张量并行¶

如何应用张量并行¶

将序列并行应用于 LayerNorm/RMSNorm 层¶

应用损失并行¶

将张量并行与完全分片数据并行结合¶

结论¶

文档

教程

资源

将序列并行应用于 `LayerNorm/RMSNorm` 层¶