Pelatihan presisi campuran

Pustaka SageMaker model paralelisme (SMP) v2 mendukung pelatihan presisi campuran di luar kotak dengan mengintegrasikan dengan kerangka kerja sumber terbuka seperti PyTorch FSDP dan Transformer Engine. Untuk mempelajari lebih lanjut, lihat topik berikut.

Pelatihan presisi campuran dengan FP8 pada instans P5 menggunakan Transformer Engine

Mulai dari perpustakaan SageMaker model paralelisme (SMP) v2.2.0, perpustakaan SMP terintegrasi dengan Transformer Engine dan mendukung pelatihan presisi campuran FP8 di luar kotak, menjaga kompatibilitas dengan FSDP. PyTorch MixedPrecision Ini berarti Anda dapat menggunakan PyTorch FSDP untuk pelatihan presisi campuran dan Transformer Engine untuk pelatihan FP8. Untuk lapisan model yang tidak didukung oleh fitur pelatihan FP8 Transformer Engine, lapisan tersebut kembali ke presisi campuran PyTorch FSDP.

catatan

SMP v2 menawarkan dukungan FP8 untuk model Hugging Face Transformer berikut:

• GPT-Neox

• Llama 2

catatan

Pelatihan FP8 tentang fitur P5 ini tersedia dalam kombinasi perpustakaan dan perpustakaan berikut: SageMaker PyTorch

• SMP v2.2.0 dan yang lebih baru

• SageMaker Python SDK v2.212.0 dan yang lebih baru

• PyTorch v2.2.0 dan yang lebih baru

FP8 (presisi floating point 8-bit) adalah tipe data yang telah muncul sebagai paradigma lain untuk mempercepat pelatihan pembelajaran mendalam model LLM. Dengan dirilisnya GPU NVIDIA H100 yang mendukung tipe data FP8, Anda dapat memanfaatkan keuntungan dari peningkatan kinerja pada instans P5 yang dilengkapi dengan GPU H100, sekaligus mempercepat pelatihan terdistribusi dengan pelatihan presisi campuran FP8.

Tipe data FP8 selanjutnya bercabang ke format E4M3 dan E5M2. E4M3 menawarkan presisi yang lebih baik, memiliki rentang dinamis terbatas, dan sangat ideal untuk forward pass dalam pelatihan model. E5M2 memiliki rentang dinamis yang lebih luas, tetapi presisi berkurang, dan lebih cocok untuk lintasan mundur, di mana presisi kurang kritis dan rentang dinamis yang lebih luas menjadi bermanfaat. Oleh karena itu, kami menyarankan Anda menggunakan resep strategi FP8 hibrida untuk memanfaatkan karakteristik ini secara efektif.

Untuk tipe data setengah presisi (FP16 dan BF16), teknik penskalaan kerugian global seperti penskalaan kerugian statis atau penskalaan kerugian dinamis menangani masalah konvergensi yang timbul dari kehilangan informasi karena gradien pembulatan dalam setengah presisi. Namun, rentang dinamis FP8 bahkan lebih sempit, dan teknik penskalaan kerugian global tidak cukup. Pada titik ini, kita membutuhkan teknik penskalaan per-tensor berbutir halus. Penskalaan tertunda adalah strategi yang memilih faktor penskalaan berdasarkan nilai absolut maksimum yang diamati dalam sejumlah tensor dari iterasi sebelumnya. Ada trade-off dalam strategi ini; menggunakan manfaat kinerja penuh dari komputasi FP8 tetapi membutuhkan memori untuk menjaga riwayat nilai maksimum tensor. Untuk mempelajari lebih lanjut tentang strategi penskalaan tertunda secara umum, lihat paper FP8 Formats for Deep Learning.

Dalam praktiknya, menggunakan FP8 sangat membantu dalam semua skenario pelatihan pada instance P5. Kami sangat menyarankan untuk mengaktifkan FP8 bila memungkinkan untuk meningkatkan kinerja pelatihan.

SMP v2 mendukung Transformer Engine di luar kotak. Oleh karena itu, saat menjalankan pelatihan FP8 dengan SMP v2 pada instance P5 dari SageMaker (ml.p5.48xlarge), satu-satunya hal yang perlu Anda lakukan adalah mengimpor torch.sagemaker skrip pelatihan Anda dan tetap menggunakan paket Transformer Engine Python asli. Untuk mempelajari lebih lanjut tentang menggunakan Mesin Transformer untuk pelatihan FP8 secara umum, lihat Menggunakan FP8 dengan Mesin Transformer dalam dokumentasi NVIDIA Transformer Engine. Cuplikan kode berikut menunjukkan bagaimana baris kode untuk mengimpor pustaka SMP dan menyiapkan FP8 dalam skrip pelatihan Anda akan terlihat.

import torch.sagemaker as tsm
import transformer_engine.pytorch as te
from transformer_engine.common.recipe import DelayedScaling, Format

# Initialize the SMP torch.sagemaker API.
tsm.init()

# Define a transformer model and wrap it with the torch.sagemaker.transform API.
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_config(ModelConfig)
model = tsm.transform(model)

# Enable E4M3 during forward pass, E5M2 during backward pass.
fp8_format = Format.HYBRID

# Create an FP8 recipe.
fp8_recipe = DelayedScaling(fp8_format=fp8_format, amax_history_len=32, amax_compute_algo="max")

# Enable FP8 autocasting.
with te.fp8_autocast(enabled=True, fp8_recipe=fp8_recipe, fp8_group=tsm.state.world_process_group):
    out = model(inp)

loss = out.sum()
loss.backward()

Untuk menemukan contoh praktis pelatihan FP8 dengan SMP v2 pada instance P5, lihat contoh notebook di Accelerate SageMaker PyTorch FSDP Training of LLAMA-v2 (atau GPT-Neox) dengan FP8 pada instans P5.

Pelatihan presisi campuran dengan tipe data setengah presisi menggunakan PyTorch FSDP

SMP v2 mendukung PyTorch FSDP MixedPrecision untuk pekerjaan pelatihan pada instans P4 dan P5. PyTorch FSDP menyediakan berbagai konfigurasi untuk presisi campuran untuk peningkatan kinerja dan pengurangan memori.

catatan

Pelatihan presisi campuran dengan fitur PyTorch FSDP ini tersedia dalam kombinasi perpustakaan SageMaker dan perpustakaan berikut. PyTorch

• SMP v2.0.0 dan yang lebih baru

• SageMaker Python SDK v2.200.0 dan yang lebih baru

• PyTorch v2.0.1 dan yang lebih baru

Cara standar untuk mengonfigurasi model untuk presisi campuran adalah dengan membuat modelfloat32, dan kemudian mengizinkan FSDP untuk mentransmisikan parameter ke float16 atau dengan cepat dengan meneruskan MixedPrecision kebijakan, seperti yang ditunjukkan bfloat16 pada cuplikan kode berikut. Untuk informasi selengkapnya tentang opsi untuk mengubah parameter, reduksi, atau buffer untuk presisi campuran PyTorch, lihat PyTorch FSDP MixedPrecision API dalam dokumentasi. dtype PyTorch

# Native PyTorch API
from torch.distributed.fsdp import MixedPrecision

dtype = torch.bfloat16
mixed_precision_policy = MixedPrecision(
    param_dtype=dtype, reduce_dtype=dtype, buffer_dtype=dtype
)

model = FSDP(
    model,
    ...,
    mixed_precision=mixed_precision_policy
)

Perhatikan bahwa model tertentu (seperti model Hugging Face Transformers Llama) mengharapkan buffer sebagai. float32 Untuk menggunakanfloat32, ganti torch.bfloat16 dengan torch.float32 di baris yang mendefinisikan dtype objek.