张量并行性

张量并行性是模型并行性的一种，它在设备之间拆分特定的模型权重、梯度和优化器状态。与流水线并行度形成鲜明对比，后者保持单个权重不变，但将权重、梯度或优化器集分成多个设备，而张量并行度则对单个权重进行分片。这通常涉及对模型的特定运算、模块或层进行分布式计算。

在单个参数占用大部分 GPU 内存的情况下（例如词汇表很大的大型嵌入表，或者具有大量类的大型 softmax 层），则需要张量并行性。在这种情况下，将这种大张量或运算视为原子单元的效率会很低，并且会阻碍内存负载的平衡。

SMP v2 与 Transform er Engin e 集成以实现张量并行性，并在 FSDP API 之上运行。 PyTorch 您可以同时启用 PyTorch FSDP 和 SMP 张量并行度，并确定最佳模型并行度以获得最佳性能。

实际上，张量并行性在以下场景中特别有用。

• 当在较长的上下文长度下训练时，仅使用 FSDP 就会产生较高的激活记忆。

• 当使用非常大的集群进行训练时，其全局批次大小超过了所需限制。

Hugging Face Transformer 型号兼容 SMP 张量并行度

SMP v2 目前为以下 Hugging Face 变压器模型提供张量并行度支持。

• GPT-NeoX

• Llama 2

有关在这些模型上应用张量并行性的参考配置，请参阅。配置提示

配置张量并行度

对于tensor_parallel_degree，您可以为张量并行度选择一个值。该值必须平均除以集群中 GPU 的数量。例如，要在使用具有 8 个 GPU 的实例时对模型进行分片，请选择 2、4 或 8。我们建议您从较小的数字开始，然后逐渐增加该数字，直到模型适合 GPU 内存。

以下代码片段展示了如何将 SMP 初始化模块torch.sagemaker.init()添加到训练脚本中，以及如何为训练作业启动器设置 JSON 格式的 SMP 配置字典，同时遵循中介绍的两步流程。开始使用 SageMaker 模型并行度库 v2您无需对 PyTorch 模型或 PyTorch FSDP 配置进行任何更改。有关 tensor_parallel_degree 和 random_seed 参数的更多信息，请参阅 SMP v2 核心功能配置参数。

SMP 配置

{
    "tensor_parallel_degree": 8,
    "random_seed": 0 
}

在你的训练脚本中

使用初始化torch.sagemaker.init()以激活 SMP v2 并使用 API 封装您的模型。torch.sagemaker.transform

import torch.sagemaker as tsm
tsm.init()

from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_config(..)
model = tsm.transform(model)

保存和加载 Hugging Face Transformer 检查点

SMP 库转换模型后，它会更改模型的状态字典 (state_dict)。这意味着该模型与最初的 Hugging Face Transformer 检查点功能不兼容。为了解决这个问题，SMP 库提供了 API 来保存变换后的模型中的检查点，以 Hugging Face Transformer 表示形式，还提供了 torch.sagemaker.transform API 来加载 Hugging Face Transformer 模型检查点进行微调。

有关在使用 SMP v2 的张量并行度功能时保存检查点的更多信息，请参阅。使用 SMP 时保存和加载检查点

有关应用 SMP v2 的张量并行度功能微调模型的更多信息，请参见。微调