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

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。