PyTorch/XLA中的占位符张量设计与实现
在PyTorch/XLA项目中,开发团队正在探索一种新型的张量类型——"占位符张量"(placeholder tensor),这种设计旨在优化模型训练时的内存使用效率,特别是在处理大型模型如Llama 405B时的性能表现。
背景与动机
在当前的PyTorch/XLA实现中,当使用scan
操作符替代传统的for循环时,系统会向计算设备传输大量数据。通过性能分析发现,使用scan操作时数据传输量达到了23GiB,而使用for循环时仅为182MiB。这种差异主要源于IrValueTensorToXlaData
路径下的大量数据传输操作。
问题的根源在于make_fake_tensor
函数的实现方式。该函数目前通过torch.empty
创建张量,虽然名为"空"张量,但实际上会分配内存空间。当这些张量被后续操作使用时,PyTorch/XLA会将这些数据实际传输到设备上,并创建对应的IR节点,导致不必要的内存分配和数据传输。
技术挑战
在现有架构下,PyTorch/XLA缺乏类似Jax中的"抽象张量"概念。Jax在trace组合函数时能够传递抽象张量而非具体数据,从而避免了不必要的数据传输。PyTorch/XLA当前的所有基于惰性张量的trace操作都可能产生意外的副作用,包括不必要的数据传输和张量物化。
特别是在Llama 405B这样的大型模型中,这种额外的数据传输变得尤为显著,甚至可能导致TPU内存不足(OOM)。因此,需要找到一种新的张量表示方式,使其能够被降低为HLO参数,但不会实际传输数据到设备。
解决方案设计
开发团队提出的解决方案是引入"占位符张量"的概念。这种张量具有以下关键特性:
- 不分配实际的设备内存
- 当尝试读取张量数据时会触发错误
- 能够参与IR图的构建和HLO生成
- 可以作为输入参数传递给需要trace的函数
在初步实现中,团队发现LoweringContext使用数据句柄来去重参数,因此仍需要某种唯一标识符。目前的临时解决方案是当BackendData对象不包含句柄时,回退到使用torch::lazy::BackendData
指针。
技术实现细节
占位符张量的核心思想是延迟内存分配,仅在真正需要时才进行。这与传统的torch.empty
不同,后者会立即分配内存空间。实现这种张量需要考虑以下方面:
- IR节点生成:确保能够创建对应的DeviceData IR节点,而不需要实际数据
- 参数去重机制:修改现有的参数去重逻辑,使其不依赖于实际数据句柄
- 错误处理:当尝试读取未初始化的占位符数据时,提供清晰的错误信息
- 梯度传播:保持与原张量相同的梯度需求设置
预期收益
成功实现占位符张量后,将为PyTorch/XLA带来以下优势:
- 显著减少数据传输:避免在trace阶段传输大量无用数据
- 内存使用优化:降低大型模型训练时的内存压力
- 性能提升:减少不必要的数据传输和内存分配操作
- 更好的抽象:为未来支持更高级的抽象张量功能奠定基础
总结
占位符张量的引入是PyTorch/XLA项目在性能优化方面的重要一步,特别针对大型模型训练场景。通过这种设计,可以显著减少不必要的数据传输和内存分配,从而提升整体训练效率。这一改进也为PyTorch/XLA未来支持更高级的抽象张量功能打下了基础,使其在功能上更接近Jax等框架的抽象能力。
ERNIE-4.5-VL-424B-A47B-Paddle
ERNIE-4.5-VL-424B-A47B 是百度推出的多模态MoE大模型,支持文本与视觉理解,总参数量424B,激活参数量47B。基于异构混合专家架构,融合跨模态预训练与高效推理优化,具备强大的图文生成、推理和问答能力。适用于复杂多模态任务场景。00pangu-pro-moe
盘古 Pro MoE (72B-A16B):昇腾原生的分组混合专家模型014kornia
🐍 空间人工智能的几何计算机视觉库Python00GitCode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。00
热门内容推荐
最新内容推荐
项目优选









