首页
/ TorchTitan项目中的Pipeline Parallelism初始化优化方案解析

TorchTitan项目中的Pipeline Parallelism初始化优化方案解析

2025-06-20 13:32:22作者:温艾琴Wonderful

引言

在深度学习模型训练中,Pipeline Parallelism(PP)是一种重要的并行训练技术,它通过将模型按层分割到不同的设备上,使得超大模型能够被训练。然而,PP技术在初始化阶段面临一些挑战,特别是在随机数生成(RNG)和内存管理方面。本文将深入分析TorchTitan项目中针对PP初始化问题的优化方案。

传统PP初始化方法的问题

传统PP实现采用"seed checkpoint"方式进行初始化,这种方法存在两个主要目的:

  1. 保持与非PP模型相同的初始化方式(相同的RNG状态),便于损失比较
  2. 解决整个模型可能无法一次性装入GPU内存(或考虑8个GPU副本时的CPU内存)的问题

但这种方法的缺点是随着模型规模增大,创建seed checkpoint的过程会变得非常耗时,影响用户体验。

优化方案的技术路线

第一步:使模型初始化函数兼容PP

当前,如果在元初始化和管道分割后对模型块调用init_weights函数会导致崩溃,因为init_weights期望访问模型的所有参数,但在PP分割中部分参数已被删除。

解决方案是修改Transformer.init_weights函数,使其能够处理self.tok_embeddings或self.output为None的情况(此时跳过初始化)。对于层级的初始化,由于循环只会访问PP未删除的层,因此已经可以正常工作。

这一改进虽然解决了基本功能问题(如CI运行、WPS检查、峰值内存监控),但由于所有PP阶段使用相同的RNG状态,会影响模型收敛性。

第二步:解决RNG问题

针对RNG问题,项目组提出了两种解决方案:

方案1:简单随机种子分配

  • 生成PP_Ranks-1个随机整数
  • 广播到非零PP rank作为各自的种子
  • 确保每个PP rank使用不同的初始种子
  • 虽然不能完全匹配非PP初始化,但能保证收敛

方案2:高级RNG状态同步

  • 在torch.pipelining.Schedule类中添加专用函数
  • 接受模型init_weights函数作为参数
  • 知道所有本地阶段及其模型块的指针
  • 了解管道顺序(循环、交错、V形等)
  • 从rank0 chunk0开始顺序初始化各层
  • 每次初始化后提取当前RNG种子并发送给下一个rank
  • 确保RNG状态在整个初始化过程中保持一致

技术讨论与优化

在技术讨论中,社区成员提出了更通用的解决方案思路:

  1. 在应用PP前,遍历并记录模块初始化顺序
  2. 在init_weight期间重放该顺序
  3. 对于PP删除的模块,相应rank不执行任何操作
  4. 每个模块初始化后,所有rank执行RNG状态的全收集
  5. 参与初始化的rank发送RNG状态,其他rank发送None状态

这种方法不依赖于PP的具体实现,可以保证每个rank获得正确的RNG种子。

最终实现方案

经过深入讨论和验证,项目组确定了最终实现方案:

  1. 保留seed checkpoint作为可选功能,仅用于需要比较不同并行配置下相同模型初始化的场景
  2. 承认在TP/DP并行下无法完全匹配单GPU的模型初始化行为
  3. 放弃了纯PP同步RNG状态的方案,因为它无法兼容PP+(TP/DP)组合
  4. 改进了DTensor的RNG基础设施:
    • 停止使用不适用于所有场景的TensorParallelRNGTracker
    • 避免在调用manual_seed API时进行全局广播
  5. 更新TorchTitan的RNG配置:
    • 每个PP阶段使用不同的RNG种子
    • 在PP阶段内正确配置DTensor的RNG

结论

通过对TorchTitan项目中PP初始化问题的深入分析和优化,项目组实现了更灵活、高效的模型初始化方案。这些改进不仅提升了用户体验,也为大规模模型训练提供了更可靠的并行初始化机制。这一工作展示了深度学习系统优化中需要考虑的复杂因素,以及如何通过技术创新解决实际问题。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
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
871
515
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184
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
346
380
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
334
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
603
58