简介 || 什么是 DDP || 单节点多 GPU 训练 || 容错 || 多节点训练 || minGPT 训练

使用 DDP 训练“真实世界”模型

作者：Suraj Subramanian

您将学到什么

• 编写分布式训练脚本时的最佳实践

• 在云中保存/加载工件的灵活性增强

• DDP 不适合使用的情况

在 GitHub 上查看本教程中使用的代码

先决条件

• 熟悉 多 GPU 训练 和 torchrun

• [可选] 熟悉 多节点训练

• 2 台或更多 TCP 可达的 GPU 机器（本教程使用 AWS p3.2xlarge 实例）

• 在所有机器上安装了具有 CUDA 的 PyTorch 安装

按照以下视频或 youtube 上的视频进行操作。

在本视频中，我们将回顾在多节点 DDP 中训练 GPT 模型的过程。我们首先克隆 minGPT 仓库 并重构 Trainer 以类似于本系列中使用的结构。观看视频以了解有关这些更改的详细信息。

我们使用 hydra 集中管理训练运行的所有配置。代码重构完成后，我们首先在具有 4 个 GPU 的单节点上运行它，然后在 slurm 集群上运行它。

用于训练的文件

• trainer.py 包含 Trainer 类，该类在提供的模型和数据集上运行分布式训练迭代。

• model.py 定义了模型架构。

• char_dataset.py 包含用于字符级数据集的 Dataset 类。

• gpt2_train_cfg.yaml 包含数据、模型、优化器和训练运行的配置。

• main.py 是训练作业的入口点。它设置 DDP 进程组，读取所有配置并运行训练作业。

从云端保存和加载

在上面的视频中，我们将训练快照直接保存到云端。这使我们能够灵活地从任何能够访问云存储桶的节点继续训练。

使用混合精度

为了加快速度，您可以使用 混合精度 来训练您的模型。在混合精度中，训练过程的某些部分以降低的精度执行，而对精度下降更敏感的其他步骤则保持 FP32 精度。

何时 DDP 不够用？

典型的训练运行的内存占用包括模型权重、激活值、梯度、输入批次和优化器状态。由于 DDP 在每个 GPU 上复制模型，因此它仅在 GPU 具有足够容量来容纳完整占用空间时才有效。当模型变得更大时，更激进的技术可能会有用。

• 激活检查点：在正向传递期间，不保存中间激活值，而是在反向传递期间重新计算激活值。在这种方法中，我们运行更多计算，但节省了内存占用空间。

• 全分片数据并行：这里模型不是复制，而是“分片”到所有 GPU 上，并且计算与正向和反向传递中的通信重叠。阅读我们的 博客，了解我们如何使用 FSDP 训练了一个拥有 1 万亿个参数的模型。

进一步阅读

• 使用 DDP 进行多节点训练（本系列中的先前教程）

• 混合精度训练

• 全分片数据并行

• 使用 FSDP 训练一个拥有 1 万亿个参数的模型

• FSDP 视频教程系列