TorchTitan项目中DeepSeek实验的内存泄漏问题分析
2025-06-19 16:43:42作者:秋泉律Samson
问题背景
在TorchTitan项目的DeepSeek实验代码开发过程中,开发人员发现了一个严重的内存泄漏问题。当使用DeepSeek-V2-Lite模型进行训练时,随着训练步数的增加,显存占用会持续增长,最终导致内存不足(OOM)错误而终止训练。
现象描述
实验配置为流水线并行(pp=2)和专家并行(ep=2)的情况下,观察到以下现象:
- 初始训练步骤可以正常执行,损失值输出符合预期
- 每个训练步骤后显存占用持续增加
- 从日志数据看,显存分配量和保留量都呈线性增长趋势
- 经过6-7个训练步骤后,系统最终因内存不足而崩溃
技术分析
经过深入排查,发现问题根源在于对称内存(Symmetric Memory)场景下的反向传播(bwd pass)未被正确调用。在分布式训练特别是涉及专家并行(EP)的场景中,对称内存管理对于高效处理MoE(混合专家)模型的参数和梯度至关重要。
当反向传播未被正确调用时,会导致以下问题:
- 梯度计算不完整,影响模型参数更新
- 内存中的中间计算结果无法被及时释放
- 显存分配持续累积,最终耗尽可用资源
解决方案
该问题已通过确保反向传播在对称内存场景下被正确调用而解决。具体修复措施包括:
- 检查并修正训练循环中的反向传播调用逻辑
- 确保对称内存管理器的生命周期与训练步骤正确同步
- 验证梯度计算流程的完整性
经验总结
在开发分布式训练系统特别是涉及复杂并行策略(如流水线并行+专家并行)时,需要特别注意:
- 内存管理的一致性:确保各并行维度的内存分配和释放逻辑协调一致
- 计算图的完整性:前向传播和反向传播必须成对出现且正确执行
- 资源监控:实现细粒度的显存监控机制,及时发现内存异常增长
这个问题提醒我们在开发大规模分布式训练系统时,除了关注模型效果外,还需要特别重视系统层面的资源管理和稳定性。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
408
387

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
14
1