大模型--训练 加速之 数据并行(DP, DDP与ZeRO)-上-11
1. 参考
https://zhuanlan.zhihu.com/p/617133971
2. 总结
以Google GPipe为代表的流水线并行范式，当模型太大，一块GPU放不下时，流水线并行，将模型的不同层放到不同的GPU上，
通过切割mini-batch实现对训练数据的流水线处理，提升GPU计算通讯比。
同时通过re-materialization机制(前向过程算完即废弃，反向需要再计算)降低显存消耗。
但在实际应用中，流水线并行并不特别流行，主要原因是模型能否均匀切割，影响了整体计算效率，这就需要算法工程师手调。
这里介绍一种应用最广泛，最易于理解的并行范式：数据并行。
数据并行的核心思想是：在各个GPU上都拷贝一份完整模型，各自吃一份数据，算一份梯度，最后对梯度进行累加来更新整体模型。
理念不复杂，但到了大模型场景，巨大的存储 巨大的GPU间通讯量，就是系统设计要考虑的重点了。
三种主流数据并行的实现方式：
DP（Data Parallelism）：最早的数据并行模式，一般采用参数服务器(Parameters Server)这一编程框架。实际中多用于单机多卡。
DDP（Distributed Data Parallelism）：分布式数据并行，采用Ring AllReduce的通讯方式，实际中多用于多机场景。
ZeRO：零冗余优化器。由微软推出并应用于其DeepSpeed框架中。严格来讲ZeRO采用数据并行+张量并行的方式，旨在降低存储。-- 重点
数据并行（DP）：
经典数据并行的过程如下：
若干块计算GPU，如图中GPU0~GPU2；1块梯度收集GPU，如图中AllReduce操作所在GPU。
在每块计算GPU上都拷贝一份完整的模型参数。 -- W
把一份数据X（例如一个batch）均匀分给不同的计算GPU。x0 x1 x2
每块计算GPU做一轮FWD和BWD后，算得一份梯度G。
每块计算GPU将自己的梯度push给梯度收集GPU，做聚合操作。（这里的聚合操作一般指梯度累加。当然也支持用户自定义。）
梯度收集GPU聚合完毕后，计算GPU从它那pull下完整的梯度结果，用于更新模型参数W。更新完毕后，计算GPU上的模型参数依然能保持一致。
聚合下发的操作，称为AllReduce。
实现DP的一种经典编程框架叫“参数服务器”，在这个框架里，计算GPU称为Worker，梯度聚合GPU称为Server。
实际应用中，为了尽量减少通讯量，一般可选择一个Worker同时作为Server。比如可把梯度全发到GPU0上做聚合。
补充：
1个Worker或者Server下可以不止1块GPU。
Server可以只做梯度聚合，也可以梯度聚合+全量参数更新一起做。--不然每个worker需要自己做全量的参数更新 但是pull数据量会大一点
DP的框架理解起来不难，但实战中确有两个主要问题：
存储开销大。每块GPU上都存了一份完整的模型，造成冗余。关于这一点的优化，我们将在后文ZeRO部分做讲解。
通讯开销大。Server需要和每一个Worker进行梯度传输。当Server和Worker不在一台机器上时，Server的带宽将会成为整个系统的计算效率瓶颈。
对通讯开销再做详细说明：
如果将传输比作一条马路，带宽就是马路的宽度，它决定每次并排行驶的数据量。例如带宽是100G/s，但每秒却推给Server 1000G的数据，消化肯定需要时间。
那么当Server在搬运数据，计算梯度的时候，Worker们在干嘛呢？当然是在：聚众摸鱼-哈哈哈
老板不愿意了：“打工系统里不允许有串行存在的任务！”，于是梯度异步更新这一管理层略诞生了。
在梯度异步更新的场景下，某个Worker的计算顺序为：
- 在第10轮计算中，该Worker正常计算梯度，并向Server发送push&pull梯度请求。
- 但是，该Worker并不会实际等到把聚合梯度拿回来，更新完参数W后再做计算。而是直接拿旧的W，吃新的数据，继续第11轮的计算。这样就保证在通讯的时间里，Worker也在马不停蹄做计算，提升计算通讯比。
- 异步也不能太过份。只计算梯度，不更新权重，那模型就无法收敛。图中刻画的是延迟为1的异步更新，也就是在开始第12轮对的计算时，必须保证W已经用第10、11轮的梯度做完2次更新了。
参数服务器的框架下，延迟的步数也可以由用户自己决定，下图分别刻划了几种延迟情况：
a 无延迟
b. 延迟但不指定延迟步数。也即在迭代2时，用的可能是老权重，也可能是新权重，听天由命。
c. 延迟且指定延迟步数为1。例如做迭代3时，可以不拿回迭代2的梯度，但必须保证迭代0、1的梯度都已拿回且用于参数更新。
总结一下:
异步很香，但对一个Worker来说，只是等于W不变，batch的数量增加了而已，在SGD下，会减慢模型的整体收敛速度。--也就是Worker光埋头干活，迟迟pull不到最新的梯度
异步的整体思想是，比起让Worker闲着，倒不如让它多吃点数据，虽然反馈延迟了，但只要它在干活在学习就行。
batch就像活，异步就像画出去的饼，且往往不指定延迟步数，每个Worker干越来越多的活，但模型却没收敛取效，像不像整天加班到半夜却。。。
3. 分布式数据并行(DDP)
受通讯负载不均的影响，DP一般用于单机多卡场景。
DDP作为一种更通用的解决方案出现了，既能多机，也能单机。
DDP首先要解决的就是通讯问题：将Server上的通讯压力均衡转到各个Worker上。实现这一点后，可以进一步去Server，留Worker。
聚合梯度 + 下发梯度这一轮操作，称为AllReduce。
接下来我们介绍目前最通用的AllReduce方法：Ring-AllReduce。百度最先提出，非常有效地解决了数据并行中通讯负载不均的问题，使得DDP得以实现。
假设有4块GPU，每块GPU上的数据也对应被切成4份。AllReduce的最终目标，就是让每块GPU上的数据都变成箭头右边汇总的样子。
Ring-ALLReduce则分两大步骤实现该目标：Reduce-Scatter和All-Gather。
Reduce-Scatter:
定义网络拓扑关系，使得每个GPU只和其相邻的两块GPU通讯。每次发送对应位置的数据进行累加。每一次累加更新都形成一个拓扑环，因此被称为Ring。看到这觉得困惑不要紧，我们用图例把详细步骤画出来。
一次累加完毕后，蓝色位置的数据块被更新，被更新的数据块将成为下一次更新的起点，继续做累加操作。
3次更新之后，每块GPU上都有一块数据拥有了对应位置完整的聚合（图中红色）。此时，Reduce-Scatter阶段结束。
进入All-Gather阶段。目标是把红色块的数据广播到其余GPU对应的位置。
All-Gather
如名字里Gather所述的一样，这操作里依然按照“相邻GPU对应位置进行通讯”的原则，但对应位置数据不再做相加，而是直接替换。All-Gather以红色块作为起点。
以此类推，同样经过3轮迭代后，使得每块GPU上都汇总到了完整的数据，
手动推一次，加深理解。
Ring-AllReduce通讯量分析：
假设模型参数W的大小为 
，
GPU个数为
。则梯度大小也为
，每个梯度块的大小为 
对单卡GPU来说：
单卡总通讯量为 ：
随着N的增大，可以近似为
，
全卡总通讯量为：
全卡总通讯量依然为 。
虽然通讯量相同，但搬运相同数据量的时间却不一定相同。
DDP把通讯量均衡负载到了每一时刻的每个Worker上，而DP仅让Server做勤劳的搬运工。
当越来越多的GPU分布在距离较远的机器上时，DP的通讯时间是会增加的。
但这并不说明参数服务器不能打（有很多文章将参数服务器当作old dinosaur来看）。事实上，参数服务器也提供了多Server方法，如下图：
请大家记住Ring-AllReduce的方法，因为在之后的ZeRO，Megatron-LM中，它将频繁地出现，是分布式训练系统中重要的算子。
4. 总结
- 在DP中，每个GPU上都拷贝一份完整的模型，每个GPU上处理batch的一部分数据，所有GPU算出来的梯度进行累加后，再传回各GPU用于更新参数
- DP多采用参数服务器这一编程框架，一般由若个计算Worker和1个梯度聚合Server组成。Server与每个Worker通讯，Worker间并不通讯。因此Server承担了系统所有的通讯压力。基于此DP常用于单机多卡场景。
- 异步梯度更新是提升计算通讯比的一种方法，延迟更新的步数大小决定了模型的收敛速度。
- Ring-AllReduce通过定义网络环拓扑的方式，将通讯压力均衡地分到每个GPU上，使得跨机器的数据并行（DDP）得以高效实现。
- DP和DDP的总通讯量相同，但因负载不均的原因，DP需要耗费更多的时间搬运数据
