深度学习模型训练并行问题

并行这个概念一方面是是加快模型训练，一方面是解决显存不够的问题的并行策略

数据并行(最常用的)，即每张卡上都放一个完整的模型，主要用于单机多卡的数据并行。

模型并行，将模型的不同部分进行手动的分割，然后分别放在不同的卡上。注意，模型要放在卡上不光是需要保存模型参数，因为模型训练过程中不仅涉及数据一层一层前向传播的问题，还要反向传播，所以要把每一层的激活值记下来(也包括参数的梯度、激活值的梯度)，同时由于使用优化器也需要记录优化器的参数，所以实际上需要放在显卡上的东西是好几倍的参数量。这种方法虽然叫并行，但我觉得其实是显卡之间的串行了。

DDP，即分布式数据并行。和第一个有所区别( PyTorch 里的数据并行训练，涉及 nn.DataParallel (DP) 和 nn.parallel.DistributedDataParallel (DDP) 两个模块)，它使用了更高级的策略实现分布式训练，主要涉及多进程多线程，可以实现多机多卡训练。

还有更先进的FSDP，如果使用的时候可以搜一搜他们之间具体区别和实现(DP\DDP\FSDP)

 

在考虑显存占用问题的时候，可以用到几种优化，主要分为激活值优化(数据的中间过程变量)和参数优化(模型参数)

激活值优化有：1. 时间换空间的亚线性内存优化，实际上就是说前向传播以后，丢掉一些中间变量，在反向传播的时候用到哪了再重新算一次。 2. 低精度训练

参数优化有：1. 传统数据并行，就是上面的DP。 2. ZeRO(零冗余优化)数据并行，1里面的方法是每张卡上都放一个完整的模型，其中包含我在上面模型并行中提到的所有东西，比较占用空间，有一定的冗余性。零冗余就是说把模型需要保存的所有参数平均分给每张卡，每张卡保存一部分，用到的时候分发。从原理图上看，这种方法既有数据并行，也有模型并行。