---

Megatron-LM

Megatron是當前大模型訓練時經(jīng)常使用的一種分布式并行框架，它通過采用DP,TP,PP等來加速模型的訓練，反正就是一個字，好。
大模型在訓練的時候，顯存占用是非常大的，比如一個175B的模型，假設模型參數(shù)用FP32表示，即4Byte,那逛模型參數(shù)就要700G，梯度700G，Adam兩個動量1400G，很明顯，裝都裝不下，所以采用這些并行技術使得它可以在有限的資源下進行訓練。

補充：Adam優(yōu)化器：
主要是用來動態(tài)調整學習率和梯度更新的方向，每一次更新的時候需要保存其一階矩和二階矩，其中一階矩是梯度的平均值，二階矩是梯度的平方，主要用來動態(tài)調整學習率。一階矩和二階矩分別表示為m和v,其相對SGD訓練更加穩(wěn)定。每一次更新的時候，都需要依賴上一次的計算出的一階矩和二階矩，也就是每一個參數(shù)都對對應一個一階矩和二階矩。

數(shù)據(jù)并行

假設有N張卡，每一張卡都保存一個模型的副本，現(xiàn)在可以將一個batch的數(shù)據(jù)分割為多個mini-batch,然后分發(fā)給每一個模型副本，進行前向傳播，并計算損失和梯度，然后通過All-Reduce操作進行通信和廣播，對每一個GPU計算的梯度進行規(guī)約（同步加平均），然后將梯度分發(fā)給每一個GPU，每張卡獨立更新，單獨更新模型參數(shù)，此時由于更新的梯度相同，模型的初始參數(shù)相同，經(jīng)過更新后，每一個GPU上模型的參數(shù)也相同。
但是這種數(shù)據(jù)并行有哪些限制呢？
第一個是可以使用的GPU數(shù)量受限于batch的大小，假設batch是64，那你最多也只能用64張卡了。
另一個就是GPU利用率可能拉不滿，如果batch的數(shù)量固定式512，你GPU太多，分發(fā)給每一個GPU的數(shù)據(jù)量太小，那GPU 更新塊，但是通信頻率也就增加了，可能會限制訓練速度。

所有 GPU 必須一起等到梯度計算完成，才能開始 all-reduce，否則會造成阻塞卡頓。 數(shù)據(jù)并行最適合模型較小、計算量大、batch size 較大時使用。模型較大或 GPU 太多時要考慮混合并行或 ZeRO 分布式技術。 All-Reduce 是一種通信操作，由 NCCL / MPI / Gloo 等通信庫負責實現(xiàn)。它不是庫，而是庫提供的功能

模型并行

梯度累積：
主要是用來模仿大batch進行更新的操作，因為大batch更新往往更見穩(wěn)定，但是受限于顯存，所以可以用梯度累積的方式，當累積到固定數(shù)量的batch之后再進行優(yōu)化器更新，它通過將多個小 batch 的梯度累加，然后在累積到設定的步數(shù)后進行一次更新，從而 模擬了大 batch 的梯度平均效果。

激活檢查點：
主要是用來緩解激活值對顯存的占用壓力，因為按照反向傳播公式，每一個參數(shù)更新時，都需要前一層的激活值，這樣的話，每一次更新的時候就需要存儲每一個節(jié)點的激活值，對顯存的占用太高，所以就采用梯度檢查點的方式，每隔一定的步數(shù)保存激活值，兩個激活值之間的沒有保存的激活值，通過前向傳播再算出來，這也就是用時間換空間了，總的來說，現(xiàn)在所占用的空間復雜度降為$Q(\sqrt{N})$,相當于在更新的時候再做了一次前向傳播。
這也是為什么模型在模型在訓練的時候，不考慮激活值占用顯存的問題，因為它可以通過技術原因繞過去。

張量并行

如果一個GPU裝不下一整個模型，那么就可以對模型進行拆分，相當于橫著或者豎著來一刀，一般來說，對于大矩陣的乘積計算，我們可以將其分成多個小矩陣的乘積和加和，根據(jù)拆分方式的不同可以分為行并行和列并行，一般來說，列并行更好一些，因為在計算激活值的時候不需要先進行通信。通信的原因還是GELU是非線性函數(shù)，需要根據(jù)全局的信息進行計算。

行并行：

列并行：

流水線并行

流水線并行通過將模型按網(wǎng)絡層劃分為多組，每一組在一個GPU上。
目前主流的流水線并行方法包括Gpipe和PipeDream,降低空泡率。Megatron用的時Visual pipeline.1F1B,一前向一反向。
實際上流水線并行和張量并行是正交的，可以同時存在。

3D并行

3D并行就是混合數(shù)據(jù)并行DP，張量并行TP和流水線并行PP。四路張量，四路流水線，2路數(shù)據(jù)