评价此页
★ ★ ★ ★ ★
intermediate/TP_tutorial

使用张量并行 (TP) 进行大规模 Transformer 模型训练#

创建日期: 2024年4月19日 | 最后更新: 2025年7月18日 | 最后验证: 2024年11月5日

作者: Wanchao Liang, Tianyu Liu

注意

edit 在 github 上查看并编辑此教程。

本教程演示了如何通过张量并行 (Tensor Parallel) 和全分片数据并行 (Fully Sharded Data Parallel) 在数百到数千个 GPU 上训练超大规模的 Transformer 类模型。

先决条件

张量并行是如何工作的？#

张量并行 (TP) 最初在 Megatron-LM 论文中提出，是一种用于训练大规模 Transformer 模型的高效模型并行技术。本教程中提到的序列并行 (Sequence Parallel, SP) 是张量并行的一种变体，它针对 nn.LayerNorm 或 RMSNorm 在序列维度上进行分片，从而在训练期间进一步节省激活内存。随着模型规模的增大，激活内存成为瓶颈，因此在张量并行训练中，通常会对 LayerNorm 或 RMSNorm 层应用序列并行。

Megatron-LM TP

图 1 展示了 Transformer 模型 MLP 和自注意力层上的张量并行分片方式，其中注意力/MLP 中的矩阵乘法通过分片计算完成 (图片来源)#

宏观上，PyTorch 张量并行的工作流程如下：

分片初始化

  • 确定应用于每一层的 ParallelStyle，并通过调用 parallelize_module 对已初始化的模块进行分片。

  • 并行化模块的模型参数将被替换为 DTensor，DTensor 负责使用分片计算运行并行化模块。

运行时前向/反向传播

  • 根据用户为每个 ParallelStyle 指定的输入/输出 DTensor 布局，运行相应的通信操作（如 allreduce、allgather 和 reduce_scatter）来转换输入/输出的 DTensor 布局。

  • 对并行化层运行分片计算以节省计算/内存（例如，nn.Linear, nn.Embedding）。

何时以及为何应该应用张量并行#

PyTorch 全分片数据并行 (FSDP) 已经具备将模型训练扩展到特定数量 GPU 的能力。然而，当需要在模型规模和 GPU 数量上进一步扩展训练时，会出现许多额外的挑战，可能需要将张量并行与 FSDP 结合使用。

  1. 当世界大小（GPU 总数）变得非常大（超过 128/256 个 GPU）时，FSDP 的集合通信（如 allgather）会受到环形延迟 (ring latency) 的影响。通过在 FSDP 之上实现 TP/SP，可以将 FSDP 的世界大小减少 8 倍（通过仅在主机间应用 FSDP），从而同比例降低延迟成本。

  2. 当达到数据并行限制（即由于收敛性和 GPU 内存限制，无法将全局批量大小增加到超过 GPU 数量）时，张量/序列并行是继续扩展更多 GPU 的唯一已知方法。这意味着模型大小和 GPU 数量都可以继续扩展。

  3. 对于某些类型的模型，当本地批量大小变小时，TP/SP 可以产生针对浮点运算 (FLOPS) 更优化的矩阵乘法形状。

那么，在预训练时，达到这些限制有多容易？目前，使用数千个 GPU 预训练具有数十亿或数万亿标记的大语言模型 (LLM) 可能需要数月时间。

  • 在大规模训练 LLM 时，总是会遇到第 1 个限制。例如，使用 2k 个 GPU 训练 35 天的 Llama 2 70B 模型，在 2k 规模下需要多维并行。

  • 当 Transformer 模型变大（如 Llama 2 70B）时，会很快遇到第 2 个限制。由于内存和收敛性限制，即使本地 batch_size=1，也无法仅使用 FSDP。例如，Llama 2 的全局批量大小为 1K，因此在 2K 个 GPU 上无法单独使用数据并行。

如何应用张量并行#

PyTorch 张量并行 API 提供了一套模块级原语 (ParallelStyle) 来配置模型每一层的分片，包括：

  • ColwiseParallel 和 RowwiseParallel：以列或行方式对 nn.Linear 和 nn.Embedding 进行分片。

  • SequenceParallel：对 nn.LayerNorm, nn.Dropout, RMSNormPython 等执行分片计算。

  • PrepareModuleInput 和 PrepareModuleOutput：通过适当的通信操作配置模块输入/输出的分片布局。

为了演示如何使用 PyTorch 原生张量并行 API，让我们看一个通用的 Transformer 模型。在本教程中，我们使用最新的 Llama 2 模型 作为参考 Transformer 模型实现，因为它在社区中也被广泛使用。

由于张量并行在多台设备上分片单个张量，我们需要首先设置分布式环境（例如 NCCL 通信器）。张量并行是一种类似于 PyTorch DDP/FSDP 的单程序多数据 (SPMD) 分片算法，它底层利用 PyTorch DTensor 来执行分片。它还利用 DeviceMesh 抽象（底层管理 ProcessGroups）进行设备管理和分片。关于如何利用 DeviceMesh 设置多维并行，请参考 本教程。张量并行通常在每台主机内工作，所以让我们首先初始化一个连接主机内 8 个 GPU 的 DeviceMesh。 

from torch.distributed.device_mesh import init_device_mesh

tp_mesh = init_device_mesh("cuda", (8,))

现在我们已经初始化了 DeviceMesh，让我们详细了解一下 Llama 2 模型架构，看看应该如何执行张量并行分片。在这里，我们重点关注核心的 TransformerBlock，Transformer 模型通过堆叠相同的 TransformerBlock 来扩展模型。

核心的 TransformerBlock 由一个 Attention 层和一个 FeedForward 层组成。让我们首先看一下更简单的 FeedForward 层。对于 FeedForward 层，它由三个线性层组成，执行 SwiGLU 风格的 MLP，查看其前向函数： 

# forward in the FeedForward layer
def forward(self, x):
    return self.w2(F.silu(self.w1(x)) * self.w3(x))

它并行执行 w1 和 w3 的矩阵乘法，随后使用组合后的 w1/w3 线性投影结果执行 w2 矩阵乘法。这意味着我们可以利用张量并行论文中的思想，以列方式分片 w1/w3 线性层，并以行方式分片 w2 线性层，这样在所有三层结束时只需要一次 allreduce 通信。使用 PyTorch 原生张量并行，我们可以简单地为 FeedForward 层创建一个 parallelize_plan，如下所示： 

from torch.distributed.tensor.parallel import ColwiseParallel, RowwiseParallel, parallelize_module

layer_tp_plan = {
    # by default ColwiseParallel input layouts is replicated
    # and RowwiseParallel output layouts is replicated
    "feed_foward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(),
    "feed_forward.w3": ColwiseParallel(),
}

这就是使用 PyTorch 张量并行 API 配置 FeedForward 层分片的方法。请注意，用户只需指定如何分片各个层，通信（例如 allreduce）将在后台自动发生。

继续讨论 Attention 层。它由 wq, wk, wv 线性层组成，用于将输入投影到 q / k / v，然后执行注意力和 wo 线性层的输出投影。此处的张量并行旨在对 q/k/v 投影执行列式分片，并对 wo 线性投影执行行式分片。因此，我们可以将 Attention 计划添加到我们刚刚草拟的 tp_plan 中。 

layer_tp_plan = {
    # by default ColwiseParallel input layouts is replicated
    # and RowwiseParallel output layouts is replicated
    "attention.wq": ColwiseParallel(use_local_output=False),
    "attention.wk": ColwiseParallel(use_local_output=False),
    "attention.wv": ColwiseParallel(use_local_output=False),
    "attention.wo": RowwiseParallel(),
    "feed_forward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(),
    "feed_forward.w3": ColwiseParallel(),
}

这几乎就是我们需要应用张量并行到 TransformerBlock 的 layer_tp_plan。然而，有一点需要注意：当按列分片线性层时，线性层的输出将在最后一个张量维度上被分片，而行分片线性层直接接受在最后一个维度上分片的输入。如果列分片线性层和行分片线性层之间还有任何其他张量操作（如视图操作），我们需要将相关的形状相关操作调整为分片形状。

对于 Llama 模型，在注意力层中，有几个与形状相关的视图操作。具体来说，对于 wq/wk/wv 线性层中的列式并行，激活张量在 num_heads 维度上被分片。为了管理全局和本地 num_heads 之间的差异，我们应该设置 use_local_output=False 以确保输出是一个 DTensor。与常规张量不同，DTensor 感知并行计划，并会自动处理 num_heads 维度的变化。

最后，我们需要调用 parallelize_module API 来使每个 TransformerBlock 的计划生效。底层上，它将 Attention 和 FeedForward 层中的模型参数分发给 DTensors，并在必要时为模型输入和输出注册通信钩子（分别在每个模块之前和之后）。 

for layer_id, transformer_block in enumerate(model.layers):
    layer_tp_plan = {...}  # i.e. the plan we just generated

    parallelize_module(
        module=transformer_block,
        device_mesh=tp_mesh,
        parallelize_plan=layer_tp_plan,
    )

现在我们已经阐述了每个 TransformerBlock 的分片计划，第一层中通常有一个 nn.Embedding，最后一层有一个 nn.Linear 投影层，用户可以选择对第一个 nn.Embedding 进行行式或列式分片，并对最后一个 nn.Linear 投影层进行列式分片，并指定适当的输入和输出布局。下面是一个示例： 

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
        ),
        "output": ColwiseParallel(
            output_layouts=Replicate(),
        ),
    }
)

注意

如果要分区的模型太大而无法放入 CPU 内存，可以使用 meta 设备初始化（例如，先在元设备上初始化模型，分片层，然后实例化模型），或者在 Transformer 模型初始化期间逐层并行化 TransformerBlock。

将序列并行应用于 LayerNorm/RMSNorm 层#

序列并行基于上述张量并行之上工作。与仅在 Attention 模块和 FeedForward 模块内分片张量并保持模块输入和输出（即前向传播中的激活和反向传播中的梯度）复制的基础张量并行相比，序列并行将它们保持在序列维度上分片。

在一个典型的 TransformerBlock 中，前向函数结合了归一化层（LayerNorm 或 RMSNorm）、注意力层、前馈层和残差连接。例如： 

# forward in a TransformerBlock
def forward(self, x):
    h = x + self.attention(self.attention_norm(x))
    out = h + self.feed_forward(self.ffn_norm(h))
    return out

在大多数使用场景中，Attention 和 FeedForward 模块之外的激活（和梯度）形状为 [batch size, sequence length, hidden dimension]。在 DTensor 的语言中，序列并行使用 Shard(1) 布局来执行模块的前向/反向传播激活计算。遵循前面的代码示例，下面的代码演示了如何将序列并行应用于 TransformerBlock 中的归一化层：

首先，让我们导入序列并行所需的依赖项： 

from torch.distributed.tensor.parallel import (
    PrepareModuleInput,
    SequenceParallel,
)

接下来，让我们调整 layer_tp_plan 以在 RMSNorm 层上启用序列并行： 

layer_tp_plan = {
    # Now the input and output of SequenceParallel has Shard(1) layouts,
    # to represent the input/output tensors sharded on the sequence dimension
    "attention_norm": SequenceParallel(),
    "attention": PrepareModuleInput(
        input_layouts=(Shard(1), Replicate()),
        desired_input_layouts=(Replicate(), Replicate()),
    ),
    "attention.wq": ColwiseParallel(use_local_output=False),
    "attention.wk": ColwiseParallel(use_local_output=False),
    "attention.wv": ColwiseParallel(use_local_output=False),
    "attention.wo": RowwiseParallel(output_layouts=Shard(1)),
    "ffn_norm": SequenceParallel(),
    "feed_forward": PrepareModuleInput(
        input_layouts=(Shard(1),),
        desired_input_layouts=(Replicate(),),
    ),
    "feed_forward.w1": ColwiseParallel(),
    "feed_forward.w2": RowwiseParallel(output_layouts=Shard(1)),
    "feed_forward.w3": ColwiseParallel(),
}

可以看到，现在我们使用 PrepareModuleInput 将 Attention 和 FeedForward 层的模块输入布局从 Shard(1) 修改为 Replicate()，并将它们的输出布局标记为 Shard(1)。正如张量并行所发生的那样，用户只需指定张量的输入和输出分片布局，层之间的通信将自动发生。

请注意，使用序列并行，我们假设 TransformerBlock 的输入和输出始终在序列维度上分片，这样多个 TransformerBlocks 可以无缝连接。这可以通过明确指定起始 nn.Embedding 层的输出和最终 nn.Linear 投影层的输入为 Shard(1) 来实现。 

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
            output_layouts=Shard(1),
        ),
        "norm": SequenceParallel(),
        "output": ColwiseParallel(
            input_layouts=Shard(1),
            output_layouts=Replicate()
        ),
    }
)

应用损失并行#

损失并行是一种相关技术，用于在计算损失函数时节省内存和通信，因为模型输出通常非常大。在损失并行中，当模型输出在（通常巨大的）词汇维度上进行分片时，可以高效计算交叉熵损失，而无需将所有模型输出收集到每一个 GPU。这不仅显著降低了内存消耗，还通过减少通信开销和并行进行分片计算来提高训练速度。下图简要说明了损失并行如何通过进行分片计算来避免将所有模型输出收集到每个 GPU。

loss parallel

图 2. 在一个 GPU 上应用损失并行的交叉熵损失前向计算。蓝色表示分片张量；绿色表示复制张量；黄色表示具有部分值的张量（待 all-reduce）。黑色箭头是本地计算；红色箭头是 GPU 之间的功能性集合通信。#

在 PyTorch 张量并行 API 中，可以通过上下文管理器 loss_parallel 启用损失并行，使用该管理器可以直接使用 torch.nn.functional.cross_entropy 或 torch.nn.CrossEntropyLoss，而无需修改代码的其他部分。

为了应用损失并行，模型预测（通常形状为 [batch size, sequence length, vocabulary size]）应在词汇维度上进行分片。这可以通过标记最后一个线性投影层的输出布局来轻松完成： 

model = parallelize_module(
    model,
    tp_mesh,
    {
        "tok_embeddings": RowwiseParallel(
            input_layouts=Replicate(),
            output_layouts=Shard(1),
        ),
        "norm": SequenceParallel(),
        "output": ColwiseParallel(
            input_layouts=Shard(1),
            # use DTensor as the output
            use_local_output=False,
        ),
    },
)

在上面的代码中，我们还将序列并行应用于输出之前的归一化层。我们应用 use_local_output=False 让输出保持为 DTensor，以便与 loss_parallel 上下文管理器配合使用。之后，只需调用交叉熵损失函数，如下所示。请注意，反向计算也需要在上下文内发生。 

import torch.nn.functional as F
from torch.distributed.tensor.parallel import loss_parallel

pred = model(input_ids)
with loss_parallel():
    # assuming pred and labels are of the shape [batch, seq, vocab]
    loss = F.cross_entropy(pred.flatten(0, 1), labels.flatten(0, 1))
    loss.backward()

将张量并行与全分片数据并行结合起来#

现在我们已经展示了如何将张量/序列并行应用于模型，让我们看看张量并行和全分片数据并行如何协同工作。由于张量并行会导致阻塞计算的通信，我们希望确保它在快速通信通道（如 NVLink）内运行。在实践中，我们通常在每台主机内应用张量并行，并在跨主机间应用全分片数据并行。

fsdp + tp

图 3. FSDP 和 TP 在不同的设备维度上工作，FSDP 通信发生在主机间，而 TP 通信发生在主机内。#

这种二维并行模式可以通过二维 DeviceMesh 轻松表达，我们只需要将每个“子” DeviceMesh 传递给各自的并行 API： 

from torch.distributed.device_mesh import init_device_mesh
from torch.distributed.tensor.parallel import ColwiseParallel, RowwiseParallel, parallelize_module
from torch.distributed.fsdp import fully_shard

# i.e. 2-D mesh is [dp, tp], training on 64 GPUs that performs 8 way DP and 8 way TP
mesh_2d = init_device_mesh("cuda", (8, 8))
tp_mesh = mesh_2d["tp"] # a submesh that connects intra-host devices
dp_mesh = mesh_2d["dp"] # a submesh that connects inter-host devices

model = Model(...)

tp_plan = {...}

# apply Tensor Parallel intra-host on tp_mesh
model_tp = parallelize_module(model, tp_mesh, tp_plan)
# apply FSDP inter-host on dp_mesh
model_2d = fully_shard(model_tp, mesh=dp_mesh, ...)

这将允许我们轻松地在每台主机内应用张量并行（主机内），并在跨主机间应用 FSDP（主机间），而对 Llama 模型无需代码更改。张量（模型）并行和数据并行技术相结合，提供了使用大量 GPU 继续增加模型规模并高效训练的能力。

结论#

本教程演示了如何通过结合使用张量并行和全分片数据并行，在数百到数千个 GPU 上训练大规模 Transformer 类模型。它解释了如何将张量并行应用于模型的不同部分，而模型本身无需进行任何代码更改。张量并行是一种用于大规模训练的高效模型并行技术。

要查看本教程中解释的完整端到端代码示例，请参考 pytorch/examples 仓库中的 张量并行示例。

在此页面上
PyTorch 库