TorchTitan项目中FSDP2混合精度训练的正确使用方法

混合精度训练基础概念

混合精度训练是深度学习领域中一种重要的优化技术，它通过在不同计算阶段使用不同的数值精度来平衡计算效率和数值稳定性。在PyTorch生态系统中，FSDP2（Fully Sharded Data Parallel）作为分布式训练的重要工具，提供了对混合精度训练的支持。

FSDP2混合精度配置方案

在TorchTitan项目中，开发者提出了两种可行的混合精度配置方案：

方案一：FP32初始化后转换

这种方案首先将模型初始化为FP32精度，确保优化器状态也是FP32格式，然后在FSDP2配置中指定前向传播和反向传播使用BF16精度：

model = AutoModel.from_pretrained(...)
model.to(torch.float32)  # 确保模型初始为FP32

mp_policy = MixedPrecisionPolicy(
    param_dtype=torch.bfloat16,  # 前向/反向计算使用BF16
    reduce_dtype=torch.float32,  # 梯度规约使用FP32
)

# 应用FSDP2封装
fully_shard(model, mp_policy=mp_policy)

这种方案的优点是：

1. 优化器状态保持FP32精度，数值稳定性好
2. 计算过程使用BF16，提高计算效率
3. 内存占用相对平衡

方案二：BF16初始化后转换

对于超大模型，开发者提出了另一种优化内存使用的方案：

model = AutoModel.from_pretrained(..., device_map="cpu", bf16=True)

# 应用FSDP2封装后再转换为FP32
fully_shard(model)
model.to(torch.float32)

opt = Adam(model.parameters())  # 基于FP32模型初始化优化器

这种方案的优势在于：

1. 初始加载时使用BF16，减少CPU内存占用
2. FSDP2的延迟初始化机制会正确处理精度转换
3. 最终模型参数仍为FP32，保持优化稳定性

元设备初始化与检查点加载

对于超大规模模型，开发者还探讨了使用元设备初始化的最佳实践：

# 使用元设备初始化模型
with init_empty_weights():
    model = AutoModelForCausalLM.from_config(config)

# 应用FSDP2封装
fully_shard(model)

# 将模型转移到GPU并清空
model.to_empty(device='cuda')

# 加载检查点后转换为FP32
model.to(torch.float32)
opt = Adam(model.parameters())

通信阶段的精度处理

在实际训练过程中，FSDP2的参数收集(All-Gather)操作会按照MixedPrecisionPolicy中指定的param_dtype进行。例如，当配置为BF16时，即使模型参数本身是FP32，通信阶段也会自动转换为BF16进行传输，这有助于减少通信带宽需求。

实践建议

1. 对于常规规模模型，推荐使用FP32初始化方案，稳定性更好
2. 超大模型可考虑BF16初始化或元设备方案，减少内存压力
3. 通信密集型场景可适当降低param_dtype精度
4. 梯度规约建议保持FP32以确保数值稳定性
5. 优化器状态通常应保持FP32以获得最佳训练效果

通过合理配置FSDP2的混合精度策略，开发者可以在保持模型训练稳定性的同时，显著提升训练效率和扩展模型规模能力。