使用张量并行 (TP) 进行大规模 Transformer 模型训练¶

创建于：2024 年 4 月 19 日 | 最后更新：2024 年 8 月 19 日 | 最后验证：2024 年 11 月 05 日

注意

在 github 上查看和编辑本教程。

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 上训练大型类 Transformer 模型。

前提条件

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

张量并行如何工作？¶

张量并行 (TP) 最初在 Megatron-LM 论文中提出，它是一种有效的模型并行技术，用于训练大规模 Transformer 模型。我们在本教程中提到的序列并行 (SP) 是张量并行的一种变体，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。随着模型变得更大，激活内存成为瓶颈，因此在张量并行训练中，通常将序列并行应用于 LayerNorm 或 RMSNorm 层。

图 1. 表示 Transformer 模型 MLP 和自注意力层上张量并行风格的分片，其中注意力/MLP 中的矩阵乘法通过分片计算发生 (图像来源)¶

在高层次上，PyTorch 张量并行工作原理如下

分片初始化

确定将哪个 ParallelStyle 应用于每个层，并通过调用 parallelize_module 对初始化的模块进行分片。
并行化的模块会将其模型参数交换为 DTensors，而 DTensor 将负责使用分片计算运行并行化的模块。

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）。
为并行化的层运行分片计算，以节省计算/内存（例如，nn.Linear、nn.Embedding）。

何时以及为何应应用张量并行¶

PyTorch 完全分片数据并行 (FSDP) 已经具备将模型训练扩展到特定数量 GPU 的能力。然而，当涉及到在模型大小和 GPU 数量方面进一步扩展模型训练时，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）变得异常庞大（超过 128/256 个 GPU），FSDP 集合通信（例如 allgather）正被环延迟所主导。通过在 FSDP 之上实现 TP/SP，通过仅将 FSDP 应用于主机间，FSDP 世界规模可以减少 8 倍，从而将延迟成本降低相同的量。
达到数据并行限制，由于收敛和 GPU 内存限制，您无法将全局批处理大小提高到 GPU 数量以上，张量/序列并行是唯一已知的“粗略估计”全局批处理大小并继续使用更多 GPU 进行扩展的方法。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，当局部批处理大小变小时，TP/SP 可以产生更适合浮点运算 (FLOPS) 优化的矩阵乘法形状。

那么，在预训练时，达到这些限制有多容易？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 token 的大型语言模型 (LLM) 也可能需要数月时间。

在大型规模上训练 LLM 时，它总是会达到限制 1。例如，Llama 2 70B 使用 2k 个 GPU 训练了 35 天，在 2k 规模上需要多维并行性。
当 Transformer 模型变得更大（例如 Llama2 70B）时，它也会很快达到限制 2。由于内存和收敛约束，即使使用局部 batch_size=1 也无法单独使用 FSDP。例如，Llama 2 全局批处理大小为 1K，因此仅数据并行不能用于 2K GPU。

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) 来配置模型各个层的分片，包括

ColwiseParallel 和 RowwiseParallel：以列或行方式分片 nn.Linear 和 nn.Embedding。
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/输出分片布局。

为了演示如何使用 PyTorch 原生张量并行 API，让我们看一个常见的 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，因为它也在社区中广泛使用。

由于张量并行在设备集上分片各个张量，因此我们需要首先设置分布式环境（例如 NCCL 通信器）。张量并行是一种单程序多数据 (SPMD) 分片算法，类似于 PyTorch DDP/FSDP，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 设置多维并行性，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连接主机内 8 个 GPU 的 DeviceMesh。

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，看看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，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。让我们首先看一下更简单的 FeedForward 层。对于 FeedForward 层，它由三个线性层组成，它执行 SwiGLU 风格的 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))

它同时执行 w1 和 w3 矩阵乘法，然后使用组合的 w1/w3 线性投影结果执行 w2 矩阵乘法。这意味着我们可以使用张量并行论文中的思想，以列方式分片 w1/w3 线性层，以行方式分片 w2 线性层，这样在所有三个层的末尾只发生一次 allreduce 通信。使用 PyTorch 原生张量并行，我们可以简单地为 FeedForward 层创建一个 parallelize_plan，如下所示

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(),
}

这就是我们使用 PyTorch 张量并行 API 为 FeedForward 层配置分片的简单方法。请注意，用户只需要指定如何分片各个层，通信（例如 allreduce）将在后台自动发生。

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，然后使用 wo 线性层执行注意力机制和输出投影。这里的张量并行旨在对 q/k/v 投影执行列向分片，对 wo 线性投影执行行向分片。因此，我们可以将 Attention 计划添加到我们刚刚起草的 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(),
}

这几乎就是我们需要应用于 TransformerBlock 的张量并行的 layer_tp_plan。但是，我们应该注意的一件事是，当以列方式分片线性层时，线性层的输出将在最后一个张量维度上分片，而行向分片线性层直接接受在最后一个维度上分片的输入。如果在列向线性层和行向线性层之间还有更多的张量运算（例如 view 运算），我们将需要将相关的形状相关运算调整为分片形状。

对于 Llama 模型，在注意力层中有几个与形状相关的 view 运算。特别是，对于 wq/ wk/ wv 线性层的列向并行，激活张量在 num_heads 维度上分片，因此我们需要将 num_heads 调整为局部 num_heads。

最后，我们需要调用 parallelize_module API 使每个 TransformerBlock 的计划生效。在底层，它将 Attention 和 FeedForward 层内的模型参数分发到 DTensors，并为模型输入和输出（分别在每个模块之前和之后）注册通信钩子（如果需要）

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,
    )

现在我们已经详细说明了每个 TransformerBlock 的分片计划，通常在第一层中有一个 nn.Embedding，在最后一层有一个最终的 nn.Linear 投影层，用户可以选择对第一个 nn.Embedding 进行行向或列向分片，对最后一个 nn.Linear 投影层进行列向分片，并指定适当的输入和输出布局。这是一个示例

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，分片层，然后物化模型），或者在 Transformer 模型初始化期间逐层并行化 TransformerBlock。

将序列并行应用于 `LayerNorm/RMSNorm` 层¶

序列并行在上面说明的张量并行之上工作。与基本张量并行相比，基本张量并行仅在 Attention 模块和 FeedForward 模块内部分片张量，并保持其模块输入和输出（即前向传播中的激活和反向传播中的梯度）复制，而序列并行使它们在序列维度上分片。

在典型的 TransformerBlock 中，前向函数结合了归一化层（LayerNorm 或 RMSNorm）、注意力层、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]，在 Attention 和 FeedForward 模块之外。在 DTensor 的语言中，序列并行使用 Shard(1) 布局对模块的前向/反向传播执行激活计算。按照前面的代码示例，下面的代码演示了我们如何将序列并行应用于 TransformerBlock 中的归一化层

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 Attention 和 FeedForward 层的模块输入布局从 Shard(1) 修改为 Replicate()，并将其输出布局标记为 Shard(1)。就像张量并行一样，只需要指定输入和输出的张量分片布局，层之间的通信将自动发生。

请注意，使用序列并行，我们假设 TransformerBlock 的输入和输出始终在序列维度上分片，以便可以无缝连接多个 TransformerBlock。这可以通过显式指定开始 nn.Embedding 层的输出和最终 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 Loss Parallel¶

Loss Parallel 是一种相关技术，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 Loss Parallel 中，当模型输出在（通常很大的）词汇维度上分片时，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。这不仅显着减少了内存消耗，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 Loss Parallel 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 loss parallel 进行交叉熵损失前向计算。蓝色代表分片张量；绿色代表复制的张量；黄色代表具有部分值的张量（将被 all-reduce）。黑色箭头是局部计算；红色箭头是 GPU 之间的功能集合通信。¶

在 PyTorch 张量并行 API 中，可以通过上下文管理器 loss_parallel 启用 Loss Parallel，使用它可以直接使用 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，我们还将序列并行应用于输出之前的 norm 层。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，可以简单地调用交叉熵损失函数，如下所示。请注意，反向计算也需要在上下文中进行。

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使用¶

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，我们希望确保它在快速通信通道（如 NVLink）中运行。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，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内（主机内）应用张量并行，并在主机之间（主机间）应用 FSDP，而对 Llama 模型进行零代码更改。张量（模型）并行和数据并行技术结合在一起，提供了使用大量 GPU 继续增加模型大小并高效训练的能力。

结论¶

本教程演示了如何结合使用张量并行和完全分片数据并行在数百到数千个 GPU 上训练大型类 Transformer 模型。它解释了如何在模型的不同部分应用张量并行，而无需对模型本身进行代码更改。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 仓库中的张量并行示例。

使用张量并行 (TP) 进行大规模 Transformer 模型训练¶

张量并行如何工作？¶

何时以及为何应应用张量并行¶

如何应用张量并行¶

将序列并行应用于 `LayerNorm/RMSNorm` 层¶

应用 Loss Parallel¶

将张量并行与完全分片数据并行结合使用¶

结论¶

文档

教程

资源

使用张量并行 (TP) 进行大规模 Transformer 模型训练¶

张量并行如何工作？¶

何时以及为何应应用张量并行¶

如何应用张量并行¶

将序列并行应用于 LayerNorm/RMSNorm 层¶

应用 Loss Parallel¶

将张量并行与完全分片数据并行结合使用¶

结论¶

文档

教程

资源

将序列并行应用于 `LayerNorm/RMSNorm` 层¶