Facebook推出数据并行训练算法FSDP：采用更少的GPU，更高效地训练更大数量级的模型

大规模训练 AI 模型并非易事。

除了需要大量算力和资源外，训练非常大的模型背后也有着相当大的工程复杂性。在 Facebook AI Research（FAIR）Engineering，我们一直在努力构建各种工具和基础设施，让大型 AI 模型训练起来更加轻松。

我们最近的一部分成果包括了层内模型并行、流水线模型并行、优化器状态+梯度分片和多专家模型等领域的工作，旨在提升为任意数量的任务训练高级 AI 模型的效率。

完全分片数据并行（Fully Sharded Data Parallel，FSDP）是我们推出的最新工具。它将 AI 模型的参数分片到数据并行 worker 中，并且可以选择将部分训练计算卸载到 CPU。顾名思义，FSDP 是一种数据并行训练算法。

尽管参数被分片到了不同的 GPU，但每个微批次数据的计算仍然是每个 GPU worker 上的本地计算。这种简洁的概念让 FSDP 更容易理解，适用于更广泛的使用场景（与层内并行和流水线并行相比）。与优化器状态+梯度分片数据并行方法相比，FSDP 分片参数更均匀，并且能够通过训练期间的通信和计算重叠来获得更好的性能。

有了 FSDP 后，我们现在可以使用更少的 GPU 更高效地训练更大数量级的模型。FSDP 已在FairScale库中实现，允许工程师和开发人员使用简单的 API 扩展和优化他们的模型训练。

在 Facebook，FSDP 已被集成和测试，用于训练我们的一些NLP和视觉模型。

大规模训练的高计算成本

NLP 研究是一个特殊领域，其中我们可以看到有效利用算力来训练 AI 的重要性。去年，OpenAI 宣布他们训练出了 GPT-3，这是有史以来最大的神经语言模型，有 1750 亿个参数。

据估计，训练 GPT-3 需要大约 355 个 GPU 年，或者相当于 1,000 个 GPU 连续工作四个多月。

除了需要大量计算和工程资源外，大多数扩展到如此程度的方法都会带来额外的通信成本，并要求工程师仔细评估内存使用和计算效率之间的权衡。

例如，典型的数据并行训练需要在每个 GPU 上都维护模型的冗余副本，而模型并行训练需要在 worker（GPU）之间移动激活，从而引入额外的通信成本。

相比之下，FSDP 牺牲的东西相对较少。它通过跨 GPU 分片模型参数、梯度和优化器状态来提高内存效率，并通过分解通信并将其与前向和后向传递重叠来提高计算效率。

FSDP 产生的训练结果与标准分布式数据并行（DDP）训练相同，并且可在一个易用的界面中使用，该界面可直接替代 PyTorch 的 DistributedDataParallel 模块。我们的早期测试表明，FSDP 可以扩展到数万亿个参数。

FSDP 的工作原理

在标准的 DDP 训练中，每个 worker 处理一个单独的批次，并且使用 all-reduce 操作对各个 worker 的梯度求和。虽然 DDP 已经变得非常流行，但它需要的 GPU 内存过多了，因为模型权重和优化器状态需要在所有 DDP worker 之间复制。

减少重复的一种方法是应用一个称为全参数分片的过程，其中只有局部计算所需的模型参数、梯度和优化器的一个子集是可用的。这种方法的一个实现，ZeRO-3，已被微软推而广之。

解锁全参数分片的关键在于，我们可以将 DDP 中的 all-reduce 操作分解为单独的 reduce-scatter 和 all-gather 操作：

All-reduce 是 reduce-scatter 和 all-gather 的组合。聚合梯度的标准 all-reduce 操作可以分解为两个独立的阶段：reduce-scatter 和 all-gather。在 reduce-scatter 阶段，梯度在每个 GPU 上的各个 rank 之间的相等块中基于它们的 rank 索引相加。在 all-gather 阶段，每个 GPU 上可用的聚合梯度的分片部分可供所有 GPU 使用。

然后，我们可以重新排列 reduce-scatter 和 all-gather，让每个 DDP worker 只需存储参数和优化器状态的单个分片。下图分别展示了标准 DDP 训练（上）和 FSDP 训练（下）：

标准数据并行训练和完全分片数据并行训练的对比。在标准数据并行训练方法中，模型的副本存在于每个 GPU 上，并且仅在数据的一个分片上评估一系列前向和后向传递。在这些本地计算之后，每个本地进程的参数和优化器与其他 GPU 共享，以计算全局权重更新。在 FSDP 中，GPU 上仅存在模型的一个分片。然后在本地，所有权重都通过 all-gather 步骤从其他 GPU 收集，来计算前向传递。然后在向后传递之前再次执行这种权重收集。在向后传递之后，局部梯度被平均，并通过 reduce-scatter 步骤在 GPU 上分片，这样每个 GPU 都能更新其局部权重分片。

为了最大限度地提高内存效率，我们可以在每层前向传递后丢弃全部权重，从而为后续层节省内存。要实现这一点，可以将 FSDP 包装器应用于网络中的每一层（使用 reshard_after_forward=True）。

在伪代码中：

FSDP forward pass:    for layer_i in layers:        all-gather full weights for layer_i        forward pass for layer_i        discard full weights for layer_iFSDP backward pass:    for layer_i in layers:        all-gather full weights for layer_i        backward pass for layer_i        discard full weights for layer_i        reduce-scatter gradients for layer_

复制代码

如何使用 FSDP

在大规模 AI 研究中使用 FSDP 有几种方法。当下我们提供四种解决方案，以适应不同的需求。

一、在语言模型中使用 FSDP

对于语言模型，fairseq框架通过以下新参数支持 FSDP：

• –ddp-backend=fully_sharded：通过 FSDP 启用完整分片
• –cpu-offload：将优化器状态和 FP32 模型副本卸载到 CPU（搭配–optimizer=cpu_adam）
• –no-reshard-after-forward：提高大型模型的训练速度（1B+参数），类似于 ZeRO 阶段 2
• 其他流行的选项（–fp16、–update-freq、–checkpoint-activations、–offload-activations 等）可以继续正常使用

关于使用 FSDP 在八个 GPU 上，或在单个 GPU 上使用 FSDP+CPU 卸载训练 13B 参数模型的说明，请参阅 fairseq教程。

二、在计算机视觉模型中使用 FSDP

对于计算机视觉模型，VISSL已支持 FSDP，并在 RegNets 架构上做了测试。像 BatchNorm 和 ReLU 这样的层被无缝处理，并测试了收敛。

使用以下选项启用 FSDP：

• config.MODEL.FSDP_CONFIG.AUTO_SETUP_FSDP=True
• config.MODEL.SYNC_BN_CONFIG.SYNC_BN_TYPE=pytorch
• config.MODEL.AMP_PARAMS.AMP_TYPE=pytorch

关于在 VISSL 中配置 FSDP 的其他选项，请参阅 yaml 配置的这一部分。

三、使用来自 PyTorch Lightning 的 FSDP

为了更轻松地与更一般的用例集成，PyTorch Lightning 已经以测试特性的形式支持了 FSDP。这份教程包含了如何将 FSDP 插件与 PyTorch Lightning 搭配使用的详细示例。在高层次上，在下面添加 plugins='fsdp'可以激活它。

model = MyModel()trainer = Trainer(gpus=4, plugins='fsdp', precision=16)trainer.fit(model)trainer.test()trainer.predict()

复制代码

四、直接从 FairScale 使用 FSDP 库

FairScale是开发 FSDP，以及你可以找到最新更新的主库。你可以在下面的示例中简单地替换 DDP(my_module)，直接使用 FairScale 的 FSDP：

from fairscale.nn.data_parallel import FullyShardedDataParallel as FSDP...sharded_module = DDP(my_module)FSDP(my_module)optim = torch.optim.Adam(sharded_module.parameters(), lr=0.0001)for sample, label in dataload.next_batch:  out = sharded_module(x=sample, y=3, z=torch.Tensor([1]))  loss = criterion(out, label)  loss.backward()  optim.step()

复制代码

FairScale 中的 FSDP 库为大规模训练的许多重要方面提供了底层选项。当你充分利用 FSDP 时，需要考虑以下几个重要方面。

1. 模型包装：为了最小化瞬时 GPU 内存需求，用户需要以嵌套方式包装模型。这引入了额外的复杂性。auto_wrap实用程序可用于注释现有 PyTorch 模型代码，用于嵌套包装目的。
2. 模型初始化：与 DDP 不同，FSDP 不会在 GPU worker 之间自动同步模型权重。这意味着我们必须小心地完成模型初始化，以便所有 GPU worker 具有相同的初始权重。
3. 优化器设置：由于分片和包装，FSDP 仅支持某些类型的优化器和优化器设置。特别是，如果一个模块被 FSDP 包装，并且它的参数被扁平化为单个张量，那么用户就不能在这样的模块中为不同的参数组使用不同的超参数。
4. 混合精度：FSDP 支持具有 FP16 主权重的高级混合精度训练，以及梯度上的 FP16 减少和分散。有些情况下，只有在使用全精度时，模型的某些部分才能收敛。在这些情况下，需要额外的包装来选择以全精度运行模型的某些部分。
5. 状态检查点和推理：当模型规模很大时，保存和加载模型状态会变得颇具挑战性。FSDP 支持多种方式来完成该任务，但这绝非易事。
6. 最后，FSDP 经常与 FairScale 的 checkpoint_wrapper 等激活检查点函数搭配使用。用户可能需要仔细调整激活检查点策略，以在有限的 GPU 内存空间内适配大型模型。

下一步计划

FSDP 是开源的，早期用户已经尝试过它并为之做出了贡献。我们认为它可以让整个研究社区受益，我们期待与所有人合作，让它变得更好。下面是一些尤为重要的领域。

1. 让 FSDP 更通用。到目前为止，FSDP 已用于具有 SGD 和 Adam 优化器的 NLP 和视觉模型。随着更新的模型和优化器不断涌现，FSDP 需要继续支持它们。作为纯粹的数据并行训练方案，FSDP 在支持广泛的 AI 算法方面拥有极大的潜力。
2. 使 FSDP 支持自动调优。今天，用户在使用 FSDP 时可以调整许多旋钮，以实现扩展和性能提升。我们期待能开发出自动调优 GPU 内存使用和训练性能的算法。
3. 除了训练之外，更具扩展性的推理和模型服务是 FSDP 可能需要支持的一个重要用例。
4. 最后一点也很重要，重构和继续模块化 FSDP 及其核心组件对于更新更好的组件来说也是很关键的基础。

试用并做出贡献！

FSDP 目前可直接从 FairScale 库中获得。

原文链接：

https://engineering.fb.com/2021/07/15/open-source/fsdp/