根據微軟的介紹,DeepSpeed 庫中有一個名為 ZeRO(零冗余優(yōu)化器,Zero Redundancy Optimizer)的組件,這是一種新的并行優(yōu)化器,它可以大大減少模型和數據并行所需的資源,同時可以大量增加可訓練的參數數量。研究人員利用這些突破創(chuàng)建了圖靈自然語言生成模型(Turing-NLG),這是最大的公開語言模型,參數為 170 億。

ZeRO 作為 DeepSpeed 的一部分,是一種用于大規(guī)模分布式深度學習的新內存優(yōu)化技術,它可以在當前的 GPU 集群上訓練具有 1000 億個參數的深度學習模型,其吞吐量是當前最佳系統(tǒng)的 3 到 5 倍。它還為訓練具有數萬億個參數的模型提供了一條清晰的思路。

ZeRO 具有三個主要的優(yōu)化階段,分別對應于優(yōu)化器狀態(tài)、梯度和參數分區(qū)。

ZeRO 克服了數據并行和模型并行的局限性,同時實現兩者的優(yōu)點,它通過跨數據并行進程將模型狀態(tài)劃分為上圖所示的參數、梯度和優(yōu)化器狀態(tài)分區(qū),而不是復制它們,從而消除了數據并行進程之間的內存冗余。在訓練期間使用動態(tài)通信規(guī)劃(dynamic communication schedule),在分布式設備之間共享必要的狀態(tài),以保持數據并行的計算粒度和通信量。

目前實施了 ZeRO 的第一階段,即優(yōu)化器狀態(tài)分區(qū)(簡稱 ZeRO-OS),具有支持 1000 億參數模型的強大能力,此階段與 DeepSpeed 一起發(fā)布。

DeepSpeed 與 PyTorch 兼容,DeepSpeed API 是在 PyTorch 上進行的輕量級封裝,這意味著開發(fā)者可以使用 PyTorch 中的一切,而無需學習新平臺。此外,DeepSpeed 管理著所有樣板化的 SOTA 訓練技術,例如分布式訓練、混合精度、梯度累積和檢查點,開發(fā)者可以專注于模型開發(fā)。同時,開發(fā)者僅需對 PyTorch 模型進行幾行代碼的更改,就可以利用 DeepSpeed 獨特的效率和效益優(yōu)勢來提高速度和規(guī)模。

DeepSpeed 在以下四個方面都表現出色:

分享到

zhupb

相關推薦