评价此页
★ ★ ★ ★ ★
unstable/context_parallel

上下文并行简介#

作者： Xilun Wu， Chien-Chin Huang

注意

edit 在 GitHub 上查看和编辑此教程。

您将学到什么
先决条件

  • PyTorch 2.7 或更高版本

简介#

上下文并行是一种用于大型语言模型训练的方法，通过将长输入序列分片到多个设备上来减少峰值激活大小。它打破了 Transformer 块中存储激活的峰值内存使用对输入序列长度的限制。

环形注意力（Ring Attention）是一种新颖的注意力层并行实现，对于实现高性能的上下文并行至关重要。环形注意力对 KV 分片进行混洗并计算部分注意力分数，重复此过程直到每个设备都使用所有 KV 分片。已经实现了两种环形注意力变体：基于 all-gather 的 pass-KV 和 基于 all-to-all 的 pass-KV

  1. 基于 all-gather 的 pass-KV 算法用于 Llama3 训练，该算法最初对键值（key and value）张量执行 all-gather，然后为局部查询张量块计算注意力输出。我们修改后的基于 all-gather 的 pass-KV 算法并发地对 KV 分片进行 all-gather，并使用局部键值张量块计算局部查询张量块的注意力输出，然后为局部查询张量和剩余 KV 分片计算最终的注意力输出。这允许注意力计算和 all-gather 集合通信在一定程度上重叠。例如，在 Llama3 训练中，我们还将 `freq_cis` 沿着序列维度进行分片。

  2. 基于 all-to-all 的方法使用交错的 all-to-all 集合通信来环形混洗 KV 分片，以重叠 SDPA（缩放点积注意力）的计算和下一个 SDPA 所需的 all-to-all 通信。

上下文并行 API 由两部分组成

  1. context_parallel() 允许用户创建一个 Python 上下文，其中 SDPA 函数（`torch.nn.functional.scaled_dot_product_attention`）将被自动替换为环形注意力。要沿着某个维度分片张量，只需将张量及其分片维度分别传递给 `buffers` 和 `buffer_seq_dims` 参数。我们建议用户将沿序列维度计算的张量添加到 `buffers` 中，并沿着此维度进行分片。以 Llama3 训练为例，如果在 `buffers` 中缺少 `freq_cis` 将导致旋转嵌入计算错误。

  2. set_rotate_method() 允许用户在基于 all-gather 的 pass-KV 方法和基于 all-to-all 的 pass-KV 方法之间进行选择。

设置#

通过 `torch.distributed.tensor.experimental.context_parallel()`，用户可以轻松地对张量输入进行分片并并行化 SDPA 函数的执行。为了更好地演示此 API 的用法，我们从一个简单的代码片段开始，该片段执行 SDPA，然后使用 API 进行并行化。

import torch
import torch.nn.functional as F

from torch.nn.attention import sdpa_kernel, SDPBackend


def sdpa_example():
    assert torch.cuda.is_available()
    torch.cuda.set_device("cuda:0")
    torch.cuda.manual_seed(0)

    batch = 8
    nheads = 8
    qkv_len = 8192
    dim = 32
    backend = SDPBackend.FLASH_ATTENTION
    dtype = (
        torch.bfloat16
        if backend == SDPBackend.FLASH_ATTENTION
        or backend == SDPBackend.CUDNN_ATTENTION
        else torch.float32
    )

    qkv = [
        torch.rand(
            (batch, nheads, qkv_len, dim),
            dtype=dtype,
            requires_grad=True,
            device='cuda',
        )
        for _ in range(3)
    ]
    # specify the SDPBackend to use
    with sdpa_kernel(backend):
        out = F.scaled_dot_product_attention(*qkv, is_causal=True)


if __name__ == "__main__":
    sdpa_example()

启用上下文并行#

现在，让我们首先将其改编为一个分布式程序，其中每个进程（rank）都有相同的张量输入。然后，我们应用上下文并行 API 来分片输入并将计算分布到各个进程。

# file: cp_sdpa_example.py
import os

import torch
import torch.distributed as dist
import torch.nn.functional as F
from torch.distributed.device_mesh import init_device_mesh
from torch.distributed.tensor.experimental import context_parallel
from torch.distributed.tensor.experimental._attention import context_parallel_unshard
from torch.nn.attention import sdpa_kernel, SDPBackend


def context_parallel_sdpa_example(world_size: int, rank: int):
    assert torch.cuda.is_available()
    assert dist.is_nccl_available()
    torch.cuda.set_device(f"cuda:{rank}")
    torch.cuda.manual_seed(0)

    dist.init_process_group(
        backend="nccl",
        init_method="env://",
        world_size=world_size,
        rank=rank,
    )
    device_mesh = init_device_mesh(
        device_type="cuda", mesh_shape=(world_size,), mesh_dim_names=("cp",)
    )

    batch = 8
    nheads = 8
    qkv_len = 64
    dim = 32
    backend = SDPBackend.FLASH_ATTENTION
    dtype = (
        torch.bfloat16
        if backend == SDPBackend.FLASH_ATTENTION
        or backend == SDPBackend.CUDNN_ATTENTION
        else torch.float32
    )

    qkv = [
        torch.rand(
            (batch, nheads, qkv_len, dim),
            dtype=dtype,
            requires_grad=True,
            device='cuda',
        )
        for _ in range(3)
    ]
    # specify the SDPBackend to use
    with sdpa_kernel(backend):
        out = F.scaled_dot_product_attention(*qkv, is_causal=True)

    # make a clean copy of QKV for output comparison
    cp_qkv = [t.detach().clone() for t in qkv]

    with sdpa_kernel(backend):
        # This `context_parallel()` performs two actions:
        # 1. Shard the tensor objects in `buffers` in-place along the dimension
        #    specified in `buffer_seq_dims`, the tensors in `buffers` and their
        #    sharding dims in `buffer_seq_dims` are organized in the same order.
        # 2. Replace the execution of `F.scaled_dot_product_attention` with a
        #    context-paralleled-enabled Ring Attention.
        with context_parallel(
            device_mesh, buffers=tuple(cp_qkv), buffer_seq_dims=(2, 2, 2)
        ):
            cp_out = F.scaled_dot_product_attention(*cp_qkv, is_causal=True)

        # The output `cp_out` is still sharded in the same way as QKV
        # the `context_parallel_unshard` API allows users to easily
        # unshard to gain the full tensor.
        (cp_out,) = context_parallel_unshard(device_mesh, [cp_out], [2])

    assert torch.allclose(
        cp_out,
        out,
        atol=(1e-08 if dtype == torch.float32 else 1e-03 * world_size),
    )


if __name__ == "__main__":
    rank = int(os.environ["RANK"])
    world_size = int(os.environ["WORLD_SIZE"])

    try:
        context_parallel_sdpa_example(world_size, rank)
    finally:
        dist.barrier()
        dist.destroy_process_group()

您可以使用命令 `torchrun --standalone --nnodes=1 --nproc-per-node=4 cp_sdpa_example.py` 在 4 个 GPU 上启动上述上下文并行 SDPA。我们通过将环形注意力的输出与单 GPU 上的 SDPA 输出进行比较来演示数值正确性。

选择旋转方法#

您可以使用 `torch.distributed.tensor.experimental._attention.set_rotate_method()` 来选择环形注意力中所需的切片旋转方法。

# file: cp_sdpa_example.py
from torch.distributed.tensor.experimental._attention import set_rotate_method

set_rotate_method("alltoall")  # rotate shards using all-to-all

with sdpa_kernel(backend):
    with context_parallel(
        device_mesh, buffers=tuple(cp_qkv), buffer_seq_dims=(2, 2, 2)
    ):
        cp_out = F.scaled_dot_product_attention(*cp_qkv, is_causal=True)

默认的旋转方法是基于 all-gather 的 pass-KV。

结论#

在本教程中，我们学习了如何使用我们的上下文并行 API 轻松地沿序列维度并行化 SDPA 计算。有关设计和实现细节、性能分析以及 TorchTitan 中的端到端训练示例，请参阅我们在 PyTorch 原生长上下文训练上的帖子：PyTorch native long-context training。

在此页面上
PyTorch 库