TransformerEngine中激活重计算与FP8量化配方的保存问题分析
2025-07-01 14:48:40作者:胡唯隽
背景介绍
在深度学习训练过程中,TransformerEngine项目采用了FP8量化技术来优化模型性能。其中,激活重计算(activation recomputation)是一种常见的内存优化技术,它通过在反向传播时重新计算前向传播的中间结果,而不是保存所有激活值,从而减少内存占用。
问题发现
在TransformerEngine的实现中,当启用激活重计算功能时(activation_recompute=True
),发现FP8GlobalStateManager的上下文状态与首次计算激活时的状态不一致。具体表现为:
- 在反向传播调用时,FP8量化配方(recipe)没有被正确恢复
- 对于新的量化配方,特别是per-tensor当前缩放(current scaling)的情况,激活重计算会被跳过
- 默认的延迟缩放(delayed scaling)配方会被错误地使用
技术分析
FP8量化需要维护一系列状态信息,包括:
- 量化配方(recipe):定义了如何进行量化的参数和策略
- 缩放因子(scale)和最大值(amax):在延迟缩放策略中需要保存和恢复
- FP8启用状态:指示当前是否应该使用FP8量化
在正常的正向-反向传播过程中,这些状态会被自动保存和恢复。然而,在激活重计算场景下,由于计算流程的特殊性,量化配方没有被正确恢复,导致计算结果不一致。
解决方案
经过讨论,确定了以下解决方案原则:
- 不应该要求用户在调用
loss.backward()
时必须手动创建FP8自动转换上下文 - 应该像保存量化器(quantizer)状态一样,在检查点中保存量化配方
- 在从检查点加载时,需要正确恢复FP8GlobalStateManager的状态
具体实现上,需要:
- 在保存检查点时同时保存量化配方和FP8启用状态
- 在激活重计算阶段恢复这些状态
- 确保恢复的状态与原始正向传播时完全一致
实现建议
一个可行的实现方案是扩展FP8GlobalStateManager的功能,使其能够:
- 在正向传播时记录当前的量化配方和FP8启用状态
- 将这些信息与激活值一起保存
- 在反向传播的激活重计算阶段恢复这些状态
这样无论loss.backward()
在什么上下文中被调用,都能保证使用正确的量化参数进行重计算。
总结
TransformerEngine中FP8量化与激活重计算的交互是一个需要特别注意的环节。正确保存和恢复量化配方对于保证数值一致性至关重要。通过扩展状态管理器的功能,可以确保在激活重计算时使用与原始正向传播相同的量化参数,从而保证训练过程的正确性和稳定性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~047CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
262

🎉 (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
863
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K