首页
/ PyTorch Torchtitan项目中FSDP2与TP并行训练的状态字典保存问题解析

PyTorch Torchtitan项目中FSDP2与TP并行训练的状态字典保存问题解析

2025-06-20 02:25:04作者:郁楠烈Hubert

在PyTorch Torchtitan项目中,当使用FSDP2(完全分片数据并行)与TP(张量并行)结合的训练配置时,用户可能会遇到状态字典保存失败的问题。本文将深入分析这一技术问题的根源、解决方案以及相关背景知识。

问题现象

当用户尝试在Llama 3 8B模型上运行以下并行配置时:

  • 数据并行度(DP)=4
  • 张量并行度(TP)=2
  • 流水线并行度(PP)=1

系统会在尝试保存检查点时抛出"NotImplementedError: 2D state_dict is under development"错误。这表明当前PyTorch版本(2.4/2.5)尚未完全支持这种二维并行状态下的状态字典保存功能。

技术背景

FSDP2是PyTorch中新一代的完全分片数据并行实现,相比传统FSDP有显著性能优化。TP(张量并行)则是将模型参数在多个设备间切分的并行方式。当这两种并行策略结合使用时,参数分布形成了二维布局(数据并行×张量并行),这给状态字典的保存带来了特殊挑战。

问题根源

核心问题在于当前PyTorch的分布式检查点(DCP)机制尚不支持"跨步分片"(strided sharding)的数据布局。这种布局是FSDP2+TP组合时参数分布的固有特性。开发团队为确保向后兼容性,暂时禁用了这种配置下的状态字典保存功能,避免用户保存无法正确加载的检查点。

解决方案

PyTorch开发团队正在积极解决这一问题,主要工作包括:

  1. 实现跨步分片支持,确保状态字典中的数据布局正确
  2. 完善DCP(分布式检查点)的重分片功能
  3. 添加HSDP(混合分片数据并行)状态字典的保存/加载单元测试

最新版本的PyTorch nightly构建已经包含了相关修复,用户可以尝试升级到最新版本解决问题。

实际应用建议

对于需要使用FSDP2+TP组合进行训练的用户,目前有以下几种选择:

  1. 升级到最新PyTorch nightly版本(已包含修复)
  2. 暂时不使用DCP保存检查点,采用其他保存策略
  3. 等待PyTorch正式版本发布完整支持

开发团队强调,这一限制是暂时的质量保证措施,确保用户不会保存无法加载的检查点。随着PyTorch分布式训练功能的持续完善,未来版本将提供更完整的多维并行训练支持。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
504
42
nop-entropynop-entropy
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
RuoYi-Vue3RuoYi-Vue3
🎉 (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
938
554
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
332
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
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
75
70