EasyEdit项目中的LoRA多GPU支持问题解析与解决方案

背景介绍

EasyEdit是一个基于大型语言模型(LLM)的知识编辑框架，它支持多种编辑方法，包括LoRA(Low-Rank Adaptation)等参数高效微调技术。在实际应用中，用户经常遇到使用LoRA进行模型编辑时的显存不足问题，特别是在处理像LLaMA这样的大型模型时。

问题现象

当用户尝试在EasyEdit中使用LoRA方法编辑LLaMA模型时，会遇到显存不足的问题。为了解决这个问题，用户通常会尝试启用模型并行(model_parallel)功能，将模型分布在多个GPU上运行。然而，这又会导致新的错误：

RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cuda:1!

这个错误表明，在模型并行环境下，张量被错误地分配到了不同的GPU设备上，导致计算无法正常进行。

技术分析

根本原因

1. PEFT与Accelerate的兼容性问题：参数高效微调库(PEFT)和加速库(Accelerate)在多GPU环境下存在兼容性问题，特别是在处理LoRA层时。

2. AdaLora实现问题：对于AdaLora这种自适应LoRA变体，其正则化损失计算部分的实现没有正确处理多设备情况，导致张量被错误地分配到不同设备。

3. 设备一致性检查：PyTorch严格要求参与运算的所有张量必须位于同一设备上，而当前实现违反了这一原则。

解决方案

临时解决方案

对于AdaLora实现，可以通过修改PEFT库中的相关代码来解决设备不一致问题：

1. 首先需要将PEFT库升级到最新版本(0.7.1)

2. 修改AdaLora的正则化损失计算部分，确保所有计算都在同一设备上进行：

device = next(self.model.parameters()).device
regu_loss = 0
num_param = 0
for n, p in self.model.named_parameters():
    if ("lora_A" in n or "lora_B" in n) and self.trainable_adapter_name in n:
        para_cov = p @ p.T if "lora_A" in n else p.T @ p
        I = torch.eye(*para_cov.size(), out=torch.empty_like(para_cov))
        I.requires_grad = False
        num_param += 1
        regu_loss += torch.norm((para_cov - I).to(device), p="fro")

关键修改点：

• 显式获取模型参数所在的设备
• 确保单位矩阵I与para_cov在同一设备上
• 将计算结果显式转移到正确设备

EasyEdit的改进

EasyEdit项目已经进行了以下改进来更好地支持多GPU环境：

1. 增加了LoRA类型选择功能，允许用户指定使用哪种LoRA变体
2. 优化了多GPU环境下的参数处理逻辑
3. 计划未来支持DeepSpeed集成，以提供更高效的多GPU训练支持

最佳实践建议

1. 版本管理：确保使用PEFT 0.7.1或更高版本
2. 配置选择：根据需求选择合适的LoRA类型
3. 设备检查：在自定义操作中显式处理设备一致性
4. 显存监控：即使使用多GPU，也应注意监控各卡的显存使用情况

未来展望

EasyEdit团队正在积极开发对DeepSpeed的支持，这将为多GPU环境下的模型编辑提供更高效的解决方案。同时，团队也在持续优化现有方法的设备兼容性，以提供更稳定的多GPU训练体验。

对于需要处理大型模型的用户，建议关注项目更新，及时获取最新的多GPU支持功能。同时，在自定义编辑方法时，应特别注意跨设备操作的兼容性问题，确保所有张量运算都在同一设备上进行。