大模型如何提升训练效率

一、问题背景

随着AIGC领域的兴起，各大厂商都在训练和推出自研的大模型结构，并结合业务进行落地和推广。在大模型分布式训练场景中，主流的主要是基于英伟达GPU进行训练（如A100），如何有效地压榨GPU的计算能力，提升训练效率，降低训练成本，是一个非常重要的实践优化问题。

1.1 直接目标

最直接地目标就是提升GPU使用率，充分发挥GPU的计算潜力，以加快模型训练。包括调整 Batch 大小以提供更多并行任务给GPU，优化DataLoader以减少GPU的等待时间，以及选择或设计与GPU并行处理能力相匹配的模型架构。

1.2 额外收益

从正向思维来看，通过合理分配CPU、GPU、内存和存储资源，可以提高资源利用率，加速训练过程，以提高整体的成本效益；同时可减少因资源限制导致训练中断或者失败，保证训练流程的顺利进行，提高模型训练有效率；
从反向思维来看，通过高效的硬件利用，降低能源消耗（如电力），降低长期的训练费用，实现经济高效的模型训练，并减少训练成本。

二、衡量指标

2.1 GPU利用率（GPU-Util）

  • 定义：GPU利用率是指GPU在训练过程中的繁忙程度，通常以百分比表示。这个指标直接反映了GPU资源的使用情况。
  • 重要性：高利用率表示GPU在大部分时间都在进行计算操作，资源被充分利用；而低利用率则表示GPU有空闲时间未被充分利用，可能存在性能瓶颈或资源分配不均的问题。

2.2 显存使用（Memory-Usage）

  • 定义 ：显存使用是指GPU显存的占用情况，也是衡量GPU资源利用的重要指标之一。
  • 重要性 ：显存的充分利用对于高效训练至关重要。如果显存使用率很高，接近GPU显存的上限，可能会导致显存溢出错误，影响训练过程的稳定性。相反，如果显存使用率很低，则可能意味着模型没有充分利用GPU资源。

2.3 MFU（Model FLOPs Utilization）

  • 定义：即模型算力利用率，是指模型一次前反向计算消耗的矩阵算力与机器（如GPU）算力的比值。
  • 重要性 ：它直接反映了模型在训练过程中对计算资源的有效利用程度。在大模型训练中，提高MFU是优化训练效率的关键手段之一。
$\text{MFU} = \frac{\text{model FLOPs per iteration}}{(\text{GPU单卡算力} \times \text{卡数}) \times \text{一次迭代时间}}$

MFU的值受到多种因素的影响，包括但不限于：

  1. 模型架构 ：不同架构的模型在分布式训练中的算力利用率可能存在显著差异。例如，Transformer架构的模型由于其并行性和矩阵运算密集的特点，通常能够在分布式训练中实现较高的MFU。
  2. 分布式训练策略 ：包括数据并行、模型并行、流水线并行等不同的并行策略，以及这些策略的具体实现方式（如梯度累积、张量并行等），都会对MFU产生重要影响。
  3. 硬件环境 ：GPU型号、数量、网络连接速度、显存大小等硬件因素都会限制分布式训练的性能和算力利用率。
  4. 软件优化 ：包括编译器优化、库函数优化、自动混合精度训练等软件层面的优化措施，也能在一定程度上提升MFU。
  5. 数据集和批次大小 ：数据集的大小和复杂性，以及训练时使用的批次大小，都会影响每次迭代中的计算量和算力利用率。

由于上述因素的多样性和复杂性，各大开源模型在分布式训练上的MFU指标很难一概而论。不过，一般来说，经过良好优化和适配的开源模型，在高端GPU集群上进行分布式训练时，MFU值通常能够达到较高的水平（例如，接近或超过50%）。但请注意，这只是一个大致的估计，具体数值可能因模型、硬件和训练策略的不同而有所差异。

字节跳动的MegaScale通过算法-系统协同设计，优化了训练效率。在12288个GPU上训练一个175B LLM模型时，实现了55.2%的MFU，比Megatron-LM提高了1.34倍。

2.4 TensorCore利用率

  • 定义 ：TensorCore利用率是指Tensor Core在处理深度学习任务时，其计算资源的实际使用效率。
  • 重要性 ：Tensor Core是NVIDIA GPU上用于加速矩阵乘法和卷积运算的特殊处理单元，对于提升深度学习模型的训练和推理速度至关重要。

使用如torch profiler等工具记录训练过程中各个函数的时间消耗，并在tensorboard等可视化工具上展示，从而可以直接查看到Tensor Core的利用率。

  • 优点：这种方法能够提供更详细和准确的信息，包括Tensor Core的具体使用情况和潜在的性能瓶颈。

三、问题分析

3.1 GPU利用率低

通过 nvidia-smi 查看GPU利用率低，则可能意味着GPU等待CPU处理数据，或者IO速度成为瓶颈。这种情况下，可能需要优化数据加载过程，使用更快的数据预处理方法，或者提高数据批量大小。

3.1.1 单卡GPU利用率低

  • CPU瓶颈 ：CPU处理数据速度跟不上GPU，导致GPU等待。
  • IO限制 ：数据从硬盘或网络到GPU的传输速度慢。
  • 小批量大小 ：批量大小设置过小，GPU未充分利用。
  • 模型复杂度 ：简单模型可能无法充分利用GPU能力。
  • 内存带宽限制 ：数据从内存到GPU的传输速度成为限制因素。

3.1.2 多卡GPU利用率都低

  • 全局数据处理瓶颈 ：所有GPU都在等待数据处理或加载。
  • 网络通信瓶颈 ：分布式训练中的网络带宽不足。
  • 不适当的并行策略 ：数据并行或模型并行策略设置不当。
  • 软件框架和驱动问题 ：深度学习框架或GPU驱动配置不佳。

3.1.2 多卡GPU利用率间歇性低

  • 异步数据处理问题 ：数据加载和预处理的不连续性。
  • 模型同步问题 ：模型并行中的GPU等待其他GPU同步。
  • 负载不均衡 ：工作分配给各GPU不均匀。

3.2 CPU负载过高

可以使用 htop 工具观察CPU核心的使用率。如果大部分或所有核心的使用率接近100%，表明CPU正在高强度工作，很可能成了来训练的瓶颈。这可能意味着模型训练正处于密集的计算阶段，

优化思路：

  1. 优化模型代码：优化数据预处理和模型代码，提高计算效率。
  2. 多线程或多进程 ：在数据加载和预处理阶段使用多线程或多进程，以更好地利用多核CPU。
  3. 减轻CPU负担 ：如果可能，将一些计算任务转移到GPU上，特别是对于可以并行化的任务。

另外还需要注意CPU内存的使用情况。如果内存使用率很高，接近或达到系统的最大容量，可能导致交换使用（swap usage），这会显著减慢训练速度。

3.3 高 I/O 等待

如果通过分析确认CPU和内存并不是训练瓶颈，那么IO（输入/输出）瓶颈可能是导致模型训练效率低下的原因之一。IO瓶颈通常发生在数据从存储设备加载到CPU或GPU的过程中。

我们可以使用iotop工具查看总的IO读写性能现状数据，如上图，从分析角度而言：

  • 理解模型需求 ：分析模型训练过程中对数据的需求。某些类型的训练，如大规模图像或视频处理，自然需要更高的I/O吞吐量。
  • 考虑数据预处理 ：评估数据预处理步骤是否在I/O阶段造成瓶颈，如复杂的数据增强或转换操作。

优化思路：

1. 使用更快的存储介质 ：如使用SSD代替传统HDD。
2. 预加载数据 ：在训练开始前预加载数据到内存中，或者实现数据缓存机制，以减少对磁盘的依赖。
3. 改进数据格式 ：使用如HDF5或TFRecord这类支持高效读写的文件格式，这些格式优化了大规模数据集的存储和访问
4. 合并小文件 ：将多个小数据文件合并成较大的单个文件，以减少磁盘寻道时间和提高读取效率。
5. 并行读取 ：使用多线程或异步I/O来并行读取数据，特别是从大文件中读取时，这可以显著提高I/O效率。

四、分层优化总结

4.1 模型层面

4.1.1 避免D2H的同步拷贝

当频繁地使用 tensor.cpu() 将张量从 GPU 转到 CPU（或使用 tensor.cuda() 将张量从 CPU 转到 GPU）时，代价是非常昂贵的。item() 和 .numpy() 也是一样可以使用. detach() 代替。如果你需要传输数据，可以使用 . to(non_blocking=True) ，只要在传输之后没有同步点。

4.1.2 开启算子融合策略

算子融合是将原本需要多次内存访问和计算的操作合并为一个操作，减少中间结果的存储和传输开销。例如，在深度学习模型中，常见的算子融合包括将多个连续的线性变换（如卷积、全连接层等）合并为一个大的线性变换，或者将矩阵乘法与偏置相加等操作融合。

1. 高频算子优化 ：针对大模型中频繁出现的算子进行优化。例如，矩阵乘法（MatMul）是Transformer等大模型中的高频算子，通过算子tiling优化合理切分数据，通过算子流水优化使得数据搬运与计算流水并行，可以显著提升计算效率。
2. 大颗粒算子融合 ：将多个计算步骤融合为一个大的计算步骤。例如，CANN（昇腾计算架构）通过Flash/Sparse Attention大颗粒算子融合，减少显存耗用，提升计算性能。这种融合方式支持多种数据类型和长序列模型，具有广泛的应用前景。
3. Transformer加速库 ：针对Transformer等大模型结构，构筑专门的加速库来优化核心Kernel性能。这些加速库包含了一系列针对Transformer优化的算子，如FlashAttention、MOE FFN等，能够显著提升模型的训练速度。

4.1.3 使用AMP加速训练

PyTorch 1.6 版本包括对 PyTorch 的自动混合精度训练的本地实现。这里想说的是，与单精度 (FP32) 相比，某些运算在半精度 (FP16) 下运行更快，而不会损失准确率。AMP 会自动决定应该以哪种精度执行哪种运算。这样既可以加快训练速度，又可以减少内存占用。

4.1.4 其他API层面技巧

torch.tensor() 总是会复制数据。如果你要转换一个 numpy 数组，使用 torch.as_tensor() 或 torch.from_numpy() 来避免复制数据。
在开始 BatchNormalization 层之前关闭 bias 层。对于一个 2-D 卷积层，可以将 bias 关键字设置为 False：torch.nn.Conv2d(..., bias=False, ...)。

4.2 数据处理

4.2.1 合理设置num_worker

当使用 torch.utils.data.DataLoader 时，设置 num_workers > 0，而不是默认值 0，同时设置 pin_memory=True ，而不是默认值 False。
选择 worker 数量的经验法则是将其设置为可用 GPU 数量的四倍，大于或小于这个数都会降低训练速度。请注意，增加 num_workers 将增加 CPU 内存消耗。

4.2.2 指定 pinn_memory=True

在使用 PyTorch 的 DataLoader 时，设置pin_memory=True主要是为了加速数据的加载过程。这个选项的作用是将加载的数据张量（Tensor）预先存储在锁页内存（pinned memory）中，而不是常规的内存。锁页内存的一个重要特性是，它可以被GPU直接访问，而不需要通过CPU进行中转。这样做的好处是可以减少数据在CPU和GPU之间的传输次数，从而降低数据传输的开销，加快训练过程。

什么是锁页内存?

锁页内存（Pinned Memory或Page Locked Memory）是一种特殊的内存分配方式，在CUDA编程和深度学习中尤为重要。以下是关于锁页内存的详细解释：

锁页内存是指分配在主机（CPU）内存中的一块区域，该区域被操作系统锁定，以防止其在物理内存中移动或换页到虚拟内存（即硬盘空间）中。这样做的主要目的是为了提高数据在主机与设备（如GPU）之间的传输效率，主要特性如下：

  1. 固定位置 ：锁页内存被固定在物理内存中的特定位置，不会因内存压力而被操作系统移动到虚拟内存中。这保证了内存地址的稳定性，对于需要直接内存访问（DMA）的硬件外设（如GPU）来说至关重要。
  2. 提高传输效率 ：由于锁页内存不会移动，GPU上的DMA控制器可以直接访问这些内存区域，而无需CPU的介入。这减少了CPU的负担，并提高了数据传输的速度和效率。
  3. 分配与释放：在CUDA中，锁页内存可以通过CUDA驱动API（如cuMemAllocHost()）或运行时API（如cudaMallocHost()）来分配。释放时，应使用相应的函数（如cudaFreeHost()）。此外，还可以使用主机上的Malloc()函数分配内存，然后通过cudaHostRegister()函数将其注册为锁页内存。

4.2.3 使用DALI库

DALI库的核心优势在于其GPU加速能力。传统的数据预处理过程大多在CPU上执行，包括数据的加载、解码、裁剪、调整大小等操作，这些操作往往是计算密集型的，且受限于CPU的计算能力。而DALI库通过将部分或全部数据预处理任务卸载到GPU上执行，充分利用了GPU强大的并行计算能力，从而显著提升了数据预处理的速度。这种GPU加速能力使得DALI在处理大规模数据集时能够保持高效，减少了数据预处理对整体训练过程的瓶颈效应。

DALI允许开发人员创建自定义的数据处理pipeline，通过灵活的计算图来表示不同的数据处理流程。开发人员可以根据需要选择适当的操作符，并指定它们在CPU或GPU上执行，从而构建出最适合自己应用场景的数据预处理方案。此外，DALI还支持通过自定义操作符来扩展其功能，以满足特定的数据处理需求。DALI的异步执行和预取机制有助于隐藏预处理延迟，使得整体训练流程更加流畅。

4.2.4 借助数据预取

在模型训练过程中，数据预取技术主要应用于以下几个方面：

  1. 大规模数据集处理 ：对于包含数百万甚至数十亿样本的大规模数据集，数据预取技术可以显著减少数据处理的时间，提高训练效率。
  2. 深度学习模型训练 ：在训练深度学习模型时，数据预取可以帮助模型在GPU或TPU等加速器上持续获得训练数据，减少因数据加载不足而导致的计算资源闲置。
  3. 分布式训练 ：在分布式训练环境中，数据预取技术可以确保各个计算节点能够及时获得所需的数据，保持训练过程的同步性和高效性。

4.3 框架层面

如果是自研的框架，可以考虑结合前沿深度学习框架发展趋势，研发更高效的功能，开发给用户训推加速。比如开启编译器，或者针对模型特点，自定义实现更大的融合算子；

如果是成熟的开源框架，可以参考官网的最佳实践，或者探索、组合、定制化各种加速策略，包括分布式混合并行的编排方式等，实现训练加速；

4.4 硬件层面

  1. 内存带宽限制：数据从内存到GPU的传输速度成为限制因素。
  2. 软件框架和驱动问题：深度学习框架或GPU驱动配置不佳。

五、业务导向

如果所在的部门是负责管理公司的GPU资源的，GPU利用率的治理和提升是部门重要的OKR，从这个角度来来阐述下如何达成OKR?

5.1 指标监控体系（What）

5.1.1 GPU 利用率

可以通过 nvidia-smi 工具和自动化脚本，监控模型训练期间的GPU 利用率、显存占用、功率、显卡温度、风扇转速等信息

5.1.2 CPU 负载

通过 htop 等系统或三方工具，监控模型训练进程的CPU负载、判断是否为CPU瓶颈；监控内存使用情况，是否处于接近打满内存的状态，此时可能会出现频繁的内存交换；如果关心磁盘IO的状态，可以使用iotop等工具来监控模型训练期间磁盘读写的情况，用于判断是否为IO瓶颈；

5.1.3 TensorCore利用率

TensorCore的统计有多种，对于给定的模型，其一个前反向计算所需要的FLOPS是固定的，只需要在模型训练日志里记录其每个迭代的训练时间即可，通过公式即可得到TensorCore的利用率。

5.1.4 通信延迟和带宽占用

5.2 瓶颈分析工具（Why）

5.2.1 Nsight system 工具

NVIDIA Nsight Systems是一个用于监测代码执行效率及分析性能的工具，它是NVIDIA Nsight系列的一部分。Nsight Systems可以收集和分析应用程序在CPU和GPU上的执行数据，帮助开发者识别性能瓶颈，优化程序性能。
1. 安装Nsight Systems：

  • 访问NVIDIA官方网站下载Nsight Systems的安装包。
  • 按照安装向导完成安装过程。

2. 配置环境：

  • 确保CUDA环境变量已正确配置，以便Nsight Systems能够识别CUDA应用程序。

3. 生成Profile文件：

  • 使用Nsight Systems提供的命令行工具（如nsys）来生成Profile文件。例如，可以使用nsys profile -o profile_name.qdrep python test.py命令来生成Python脚本的Profile文件。

4. 分析Profile文件：

  • 打开Nsight Systems GUI，加载生成的Profile文件（.qdrep格式）。
  • 使用Nsight Systems的图形界面来查看和分析应用程序的执行数据，包括CPU和GPU的使用情况、函数调用时间、内存访问等。

5.2.2 torch profile 工具

如果你是使用的Pytorch框架，可以使用其profile工具和tensorboard可视化界面来分析模型的性能瓶颈点，具体可以参考：PyTorch Profiler With TensorBoard。

1. 计算图概况 ：torch profile可以生成模型的计算图，并突出显示每个操作的时间消耗，这有助于识别潜在的瓶颈。
2. 内存使用统计 ：实时监控模型训练过程中的GPU内存占用情况，便于调整参数以优化资源利用。
3. 快速定位性能问题 ：通过可视化每个操作的执行时间，可以迅速找到导致模型训练速度慢的原因。
4. 优化硬件资源利用 ：查看内存使用情况，以便确定合适的批量大小和其他内存管理策略。
5. 详细的层析剖析 ：不仅仅提供总体性能分析，还可以对模型中的每一个单独层进行分析，展示每个层在CPU和CUDA上的执行时间。
6. 事件列表 ：提供原始的PyTorch事件列表，以便开发者能够深入了解底层操作（如卷积、激活函数等）的执行时间。
7. 选择性剖析 ：用户可以指定要分析的具体层，其余层将被忽略，这样可以更加聚焦于关键部分。
8. 硬件资源管理 ：分析模型在不同硬件环境下的性能，比如CPU与GPU之间的切换。

5.3 系统的优化方法论（How）

5.3.1 明确GPU 空闲产生的原因

借助可视化工具分析profile文件中，GPU 空闲产生的原因，判断属于是哪几类问题？

  • 数据读取瓶颈 ：一般在timeline里每个Step的开始前面都会有固定的GPU空闲，数据读取无法与计算实现Overlap；
  • 模型写法问题 ：比如模型计算中间有Sync操作，可能是存在D2H的同步拷贝，比如存在Tensor.numpy()等类似操作；
  • 通信存在瓶颈 ：在分布式训练中，不同的并行策略可能会影响通信成本；一般张量并行放在同一个机器不同卡上，数据并行是不同机器之间；

5.3.2 对症下药

最终目的是最大化GPU利用率，前面章节已经根据各种场景针对性地阐述了对应的解决方案；

5.3.3 指导性建议

类似torch.profile在基于TensorBorad可视化后，会针对性提供一些优化的思路，本质是一个对各种监控指标和原生profile数据的建模问题。可以根据沉淀的经验，结合不同的指标特征给业务同学更多的优化经验准则。

从GPU资源管理平台而言，前期应该是尽可能是给出可置信的核心指标数据，以及辅助的层次化指标（如CPU负载、IO等）。大模型训练优化实施方仍然需要模型负责人接入，由于大模型一般变动的频率比较低，因为联动框架同学一同定制化优化。

posted @ 2024-07-08 19:58  Aurelius84  阅读(279)  评论(0)  编辑  收藏  举报