大模型--Megatron TP张量并行-15

目录

• 1. 参考
• 2. 介绍
• 3. 权重的切分
  • 3.1 按行切分权重
  • 3.2 按列切分权重
• 4. MLP层
• 5. Self-Attention层
• 6. Embedding层
• 7. Cross-entropy层
• 8. 张量模型并行 + 数据并行

1. 参考

https://zhuanlan.zhihu.com/p/622212228

2. 介绍

流水线并行
数据并行（DP，DDP和ZeRO）

介绍最重要，也是目前基于Transformer做大模型预训练最基本的并行范式：来自NVIDIA的张量模型并行(TP)。
基本思想就是把模型的参数纵向切开，放到不同的GPU上进行独立计算，然后再做聚合。
之前的将的都是 模型 按照层 进行切割。

全文结构如下：
一、切分权重的两种方法
二、MLP层
三、self-attention层
四、Embedding层
五、Cross-entropy层
六、经典并行：TP + DP (Megatron + ZeRO)
七、实验效果与GPU利用率
八、参考

3. 权重的切分

设输入数据为X，参数为W。X的维度 = (b, s, h)，W的维度 = (h, h')。其中：

• b：batch_size，表示批量大小
• s：sequence_length，表示输入序列的长度
• h：hidden_size，表示每个token向量的维度。
• h'：参数W的hidden_size。

orward的过程如下：

图中所绘是b=1时的情况。

假设现在W太大，导致单卡装不下。我们需要把W切开放到不同的卡上，则我们面临三个主要问题：

• 怎么切分W。
• 切完W后，怎么做forward。
• 做完forward后，怎么做backward，进而求出梯度，更新权重。

一般来说，我们可以沿着W的行（h维度），或者列（h'维度）切分W。下面我们分别介绍这两种切割办法，并说明它们是如何做forward和backward的。

3.1 按行切分权重

forward
我们用N来表示GPU的数量。有几块GPU，就把W按行维度切成几份。下图展示了N=2时的切割方式：

W按照行维度切开后，X的维度和它不对齐了，这可怎么做矩阵乘法呢？很简单，再把X“按列切开”就行了，如下图所示：

backward
做完forward，取得预测值Y，进而可计算出损失L，接下来就能做backward了。我们重画一下forward的过程，并在其中加入backward的部分，整体流程图如下：

f 和 g：分别表示两个算子，每个算子都包含一组forward + backward操作。
其中 forward:
f算子：X 竖直方向切割成x1 x2即可
g算子：y1 + y2 即可

图中的每一行，表示单独在一块GPU上计算的过程

f 和 g算子的backward
g 的backward：

需要把同时广播到两块GPU上，两块GPU就可以独立计算各自权重的梯度了。

f 的backward：

3.2 按列切分权重

按列切分权重后，forward计算图如下：

这个forward还是比较简单的直接切分别计算 再接到一起 即可

g的backward：
貌似都等于X
因此只要计算各自GPU上的

f 的backward：因为对于损失L，X既参与了XW1的计算，也参与了XW2的计算，因此，其中表示第i块GPU上计算到X时的梯度。

已分别介绍完了“按行”和“按列”切分权重的方法。在Megatron-LM中，权重的切分操作就是由这两个基础算子组合而成的。接下来，针对Transformer模型，我们依次来看在不同的部分里，Megatron-LM是怎么做切分的。

4. MLP层

MLP层构造最简单，所以我们先来看它。MLP层计算过程如下图：

GELU是激活函数，A和B分别为两个线性层。在Transformer里，一般设h' = 4h。
h为embedding的维度
h'为隐藏层的维度
也就是会将embedding的维度 升维到4h的一个更高的维度。

假设现在有N块GPU，我们要把MLP层的权重拆到上面做计算，要怎么拆分呢？Megatron提供的拆分办法如下：

在MLP层中，对A采用“列切割”，对B采用“行切割”。

f 的forward计算：把输入X拷贝到两块GPU上，每块GPU即可独立做forward计算。
g 的forward计算：每块GPU上的forward的计算完毕，取得Z1和Z2后，GPU间做一次AllReduce，相加结果产生Z。

g 的backward计算：只需要把拷贝到两块GPU上，两块GPU就能各自独立做梯度计算。
f 的backward计算：当当前层的梯度计算完毕，需要传递到下一层继续做梯度计算时，我们需要求得 则此时两块GPU做一次AllReduce，把各自的梯度相加即可。

为什么我们对A采用列切割，对B采用行切割呢？
这样设计的原因是，我们尽量保证各GPU上的计算相互独立，减少通讯量。

对A来说，需要做一次GELU的计算，而GELU函数是非线形的，它的性质如下：

也就意味着，如果对A采用行切割，我们必须在做GELU前，做一次AllReduce，这样就会产生额外通讯量。但是如果对A采用列切割，那每块GPU就可以继续独立计算了。一旦确认好A做列切割，那么也就相应定好B需要做行切割了。

MLP层的通讯量分析：
MLP层做forward时产生一次AllReduce，做backward时产生一次AllReduce。

AllReduce的过程分为两个阶段，Reduce-Scatter和All-Gather，每个阶段的通讯量都相等。
现在我们设每个阶段的通讯量为，
则一次AllReduce产生的通讯量为，MLP层的总通讯量为
根据上面的计算图

5. Self-Attention层

看稍微复杂一点的self-attention层切割方式（Transformer中Encode和Decoder之间还有做cross-attention，但计算逻辑和self-attention一致，因此这里只拿self-attention举例）。

当head数量为1时，self-attention层的计算方法如下：

seq_len，d_model分别为本文维度说明中的s和h，也即序列长度和每个token的向量维度
attention层需要做训练的三块权重。

理清了单头，我们来看多头的情况，下图展示了当num_heads = 2时attention层的计算方法。
即对每一块权重，我们都沿着列方向（k_dim）维度切割一刀。

此时每个head上的 的维度都变成(d_model, k_dim//2)

每个head上单独做矩阵计算，最后将计算结果concat起来即可。整个流程如下：

这不就是竖直切割的方式吗？
可以发现，attention的多头计算简直是为张量模型并行量身定做的，因为每个头上都可以独立计算，最后再将结果concat起来。也就是说，可以把每个头的参数放到一块GPU上。则整个过程可以画成：

对三个参数矩阵Q，K，V，按照“列切割”，每个头放到一块GPU上，做并行计算。对线性层B，按照“行切割”。切割的方式和MLP层基本一致，其forward与backward原理也一致，这里不再赘述。

最后，在实际应用中，并不一定按照一个head占用一块GPU来切割权重，我们也可以一个多个head占用一块GPU，这依然不会改变单块GPU上独立计算的目的。所以实际设计时，我们尽量保证head总数能被GPU个数整除。

Self-Attention层的通讯量分析
self-attention层在forward中做一次AllReduce，在backward中做一次AllReduce。总通讯量也是，其中
self-attention层拼接起来看整体的计算逻辑和通讯量：

6. Embedding层

输入层Embedding，
word embedding：维度(v, h)，其中v表示词表大小。
positional embedding：维度(max_s, h)，其中max_s表示模型允许的最大序列长度。
对positional embedding来说，max_s本身不会太长，因此每个GPU上都拷贝一份，对显存的压力也不会太大。
但是对word embedding来说，词表的大小就很客观了，因此需要把word embedding拆分到各个GPU上，具体的做法如下：

对于输入X，过word embedding的过程，就是等于用token的序号去word embedding中查找对应词向量的过程。
例如，输入数据为[0, 212, 7, 9]，数据中的每一个元素代表词序号，我们要做的就是去word embedding中的0，212，7，9行去把相应的词向量找出来。

假设词表中有300个词，现在我们将word embedding拆分到两块GPU上，第一块GPU维护词表[0, 150)，第二块GPU维护词表[150, 299)。
当输入X去GPU上查找时，能找到的词，就正常返回词向量，找到不到就把词向量中的全部全素都置0。按此方式查找完毕后，每块GPU上的数据做一次AllReduce，就能得到最终的输入。
例如例子中，第一块GPU的查找结果为[ok, 0, ok, ok]，第二块为[0, ok, 0, 0]，两个向量一相加，变为[ok, ok, ok, ok]

输出层Embedding

输出层中，同样有一个word embedding，把输出再映射回词表里，得到每一个位置的词。一般来说，输入层和输出层共用一个word embeding。其计算过程如下：

需要注意的是，必须时刻保证输入层和输出层共用一套word embedding。
而在backward的过程中，我们在输出层时会对word embedding计算一次梯度，在输入层中还会对word embedding计算一次梯度。在用梯度做word embedding权重更新时，我们必须保证用两次梯度的总和进行更新。

当模型的输入层到输入层都在一块GPU上时（即流水线并行深度=1），我们不必担心这点（实践中大部分用Megatron做并行的项目也是这么做的）。但若模型输入层和输出层在不同的GPU上时，我们就要保证在权重更新前，两块GPU上的word embedding梯度做了一次AllReduce。

7. Cross-entropy层

终于来到了计算损失函数的一层回顾一下4.2中，输出层过完embedding后的样子：

正常来说，我们需要对Y1和Y2做一次All-Gather，把它们concat起来形成Y，然后对Y的每一行做softmax，就可得到对于当前位置来说，每个词出现的概率。接着，再用此概率和真值组做cross-entropy即可。

但是All-Gather会产生额外的通讯量，当词表v很大时，这个通讯开销也不容忽视。针对这种情况，可以做如下优化：

1. 每块GPU上，我们可以先按行求和，得到各自GPU上的GPU_sum(e)
2. 将每块GPU上结果做AllReduce，得到每行最终的sum(e)，也就softmax中的分母。此时的通讯量为 ，
3. 在每块GPU上，即可计算各自维护部分的e/sum(e)，将其与真值做cross-entropy，得到每行的loss，按行加总起来以后得到GPU上scalar Loss。
4. 将GPU上的scalar Loss做AllReduce，得到总Loss。此时通讯量为N。

这样，我们把原先的通讯量从 大大降至 。

8. 张量模型并行 + 数据并行

基本把张量模型并行的计算架构说完，对Transformer类的模型，采用最经典方法是张量模型并行 + 数据并行，并在数据并行中引入ZeRO做显存优化。具体的架构如下：

node表示一台机器，一般我们在同一台机器的GPU间做张量模型并行。在不同的机器上做数据并行。图中颜色相同的部分，为一个数据并行组。