图解大模型训练之：流水线并行，以GPipe为例

AIGC动态欢迎阅读

原标题：图解大模型训练之：流水线并行，以GPipe为例
关键字：模型,流水线,表示,大小,复杂度
文章来源：智猩猩GenAI
内容字数：0字

内容摘要：

回顾ChatGPT的发展历程，我们可以总结出大语言模型（LLM）取得惊艳效果的要点（重要性从高到低排序）：
愿意烧钱，且接受“烧钱 != 好模型”的现实
高质量的训练语料
高效的分布式训练框架和充沛优质的硬件资源
算法的迭代创新
在大模型训练这个系列里，我们将一起探索学习几种经典的分布式并行范式，包括流水线并行（Pipeline Parallelism），数据并行(Data Parallelism)和张量并行（Tensor Parallesim）。微软开源的分布式训练框架FastSpeed，融合了这三种并行范式，开发出3D并行的框架，实现了千亿级别模型参数的训练。
本篇文章将探索流水线并行，经典的流水线并行范式有Google推出的Gpipe，和微软推出的PipeDream。两者的推出时间都在2019年左右，大体设计框架一致。主要差别为：在梯度更新上，Gpipe是同步的，PipeDream是异步的。异步方法更进一步降低了GPU的空转时间比。虽然PipeDream设计更精妙些，但是Gpipe因为其“够用”和浅显易懂，更受大众欢迎（torch的PP接口就基于Gpipe）。因此本文以Gpipe

原文链接：图解大模型训练之：流水线并行，以GPipe为例

联系作者

文章来源：智猩猩GenAI
作者微信：
作者简介：