PyTorch/XLA 中利用 shard_as 优化分片策略避免内存溢出问题

背景介绍

在 PyTorch/XLA 项目中，当使用 2D 分片策略（结合 FSDP 和 TP）训练大型语言模型时，特别是对于像 Llama 3.1 405B 这样的超大规模模型，经常会遇到内存溢出（OOM）问题。这个问题在 decoder 层被封装到 XLA While 操作（通过 torch_xla.experimental.scan 实现）时尤为突出。

问题分析

现象表现

在 v6e-256 TPU 上训练 Llama 3.1 405B 模型时，当使用 2D 分片策略（FSDP + TP）时，在反向传播过程中会出现内存溢出。通过内存分析发现：

1. OOM 发生在反向传播的 scan 操作期间
2. 编译器生成的卷积操作（convolution.171）输出形状为 [1, 4K, 16K]
3. 该输出张量在 FSDP 轴上进行 all-reduce 操作，形状保持不变
4. all-reduce 后的张量被写入形状为 [126, 4K, 16K] 的堆叠输出张量中
5. 这个巨大的张量无法在单个芯片上实例化，导致编译失败

根本原因

问题源于 GSPMD 在传播 2D 分片注释时的行为。在矩阵乘法中，当收缩维度具有匹配的分片注释时：

A[M_X, N_Y] · B[N_Y, M_X] = C[M_?, M_?]

其中 N 维度被收缩，网格轴 X 也随之消失。根据 GSPMD 论文，结果将仅保持 1D 分片。在反向传播过程中，这个 1D 分片的梯度张量会"感染"整个堆叠数组，导致产生形状为 [126, 4K, 16K] 的过大数组。

解决方案：shard_as 的应用

shard_as 原理

shard_as 是 GSPMD 的一个特性，它可以确保输入在 GSPMD 分片传播后具有相同的分片策略。具体来说，它会对输入施加额外的分片约束，使梯度与其对应的输入保持相同的分片方式。

实现方法

在 PyTorch/XLA 中，我们通过在 scan 的反向传播过程中使用 shard_as 来解决问题。具体实现是创建一个反向传播包装器，该包装器：

1. 调用层的原始反向传播
2. 使用 shard_as 确保：
   • carry 的梯度与 grad_carry 保持相同分片
   • 输入梯度 (grad_x) 与堆叠输入数组的第一个元素保持相同分片

代码示例

def _backward_shard_alike(carry, x, backward, init, xs):
    grad_carry, grad_x = backward(carry, x)
    # 在正向输入和反向输出之间传播分片策略
    _, grad_carry = shard_as(init, grad_carry)
    _, grad_x = shard_as(tree_map(lambda v: v[0], xs), grad_x)
    return grad_carry, grad_x

技术优势

1. 自动分片传播：不需要手动指定每个权重的分片策略
2. 正交性：SPMD 和 scan 操作保持解耦，代码结构更清晰
3. 通用性：不依赖特定张量识别，适用于各种模型结构
4. 内存优化：有效防止了梯度张量的不合理分片导致的内存爆炸

替代方案对比

曾经考虑过另一种方案：在 scan 操作上暴露一个关键字参数，允许用户在反向传播时指定权重的预期分片注释。但这种方案存在明显缺点：

1. 由于 scan 使用 AOTAutograd 将组合函数转换为功能图，我们无法区分各个张量
2. 不知道 FX 图中哪些输出对应哪些变量
3. 将 SPMD 和 scan 的 API 混合在一起违反了关注点分离原则

相比之下，shard_as 方案更加优雅和通用，不需要识别特定张量，只需简单地约束梯度张量与输入张量的分片一致性。

结论

通过在 PyTorch/XLA 的 scan 操作中引入 shard_as 机制，我们成功解决了大规模模型训练中的内存溢出问题。这一改进不仅使 Llama 3.1 405B 等超大规模模型能够在 v6e-256 TPU 上稳定训练，还为未来更大规模模型的分布式训练提供了可靠的技术基础。该方案的设计体现了对 GSPMD 分片传播机制的深刻理解，以及对 PyTorch/XLA 框架特性的合理利用。