オプティマイザ状態シャーディング

オプティマイザ状態シャーディングは、データ並列デバイスグループ間でオプティマイザ状態 (オプティマイザ状態を記述する重みのセット) をシャードする便利なメモリ節約手法です。オプティマイザ状態シャーディングは、ステートフルオプティマイザ (Adam など) または FP16 オプティマイザ (パラメータの FP16 と FP32 の両方のコピーを保存) を使用する場合はいつでも使用できます。

注記

オプティマイザ状態シャーディングはは、SageMaker モデル並列処理ライブラリ v1.6.0 以降の PyTorch で使用できます。

オプティマイザ状態シャーディングの使用方法

オプティマイザ状態のシャーディングは、"shard_optimizer_state": True を modelparallel 設定で設定することで有効にできます。

この機能をオンにすると、ライブラリはデータ並列度に基づいてモデルパラメータのセットをパーティション化します。第 i パーティションに対応する勾配は、第 i データ並列ランクでのみ縮小します。smp.step デコレータ関数の最初の呼び出しの最後に、smp.DistributedOptimizer でラップされたオプティマイザは、現在のデータ並列ランクのパーティションに対応するパラメータのみに制限されるようにパラメータを再定義します。再定義されたパラメータは仮想パラメータと呼ばれ、基礎となるストレージを元のパラメータと共有します。optimizer.step を初めて呼び出すとき、これらの再定義されたパラメータに基づいてオプティマイザ状態が作成されます。これらのパラメータは、元のパーティションのためにシャードされます。オプティマイザの更新後、(optimizer.step 呼び出しの一部として) AllGather オペレーションがデータ並列ランク全体で実行され、一貫したパラメータ状態を実現します。

ヒント

オプティマイザ状態のシャーディングは、データ並列度が 1 より大きく、モデルに 10 億を超えるパラメータがある場合に役立ちます。

データ並列処理度は (processes_per_host * instance_count / pipeline_parallel_degree) によって計算され、smp.dp_size() 関数はバックグラウンドでサイジングを処理します。

SageMaker PyTorch 推定器を設定する

mpi_options = {
    "enabled" : True,
    "processes_per_host" : 8,               # 8 processes
    "custom_mpi_options" : "--mca btl_vader_single_copy_mechanism none "
}

smp_options = {
    "enabled":True,
    "parameters": {
        "microbatches": 4,
        "pipeline_parallel_degree": 2,    # alias for "partitions"
        "placement_strategy": "cluster",
        "tensor_parallel_degree": 2,      # tp over 2 devices
        "ddp": True,
        "shard_optimizer_state": True
    }
}

PyTorch トレーニングスクリプトを適合させる

「Tensor 並列処理とパイプライン並列処理の組み合わせ」セクションの「PyTorch トレーニングスクリプトを適合させる」を参照してください。このスクリプトに必要な追加の修正はありません。