TorchTitan项目中DeepSeek实验的内存泄漏问题分析

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：

1. 初始训练步骤可以正常执行，损失值输出符合预期
2. 每个训练步骤后显存占用持续增加
3. 从日志数据看，显存分配量和保留量都呈线性增长趋势
4. 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：

1. 梯度计算不完整，影响模型参数更新
2. 内存中的中间计算结果无法被及时释放
3. 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：

1. 检查并修正训练循环中的反向传播调用逻辑
2. 确保对称内存管理器的生命周期与训练步骤正确同步
3. 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：

1. 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
2. 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
3. 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。