解密万亿参数M6模型预训练背后的分布式框架Whale

[[418050]]

最近，阿里云PAI团队和达摩院智能计算实验室一起发布“低碳版”巨模型M6，大幅降低万亿参数超大模型训练能耗。借助我们自研的Whale框架仅使用480卡GPU，即训练出了规模达人类神经元10倍的万亿参数多模态大模型M6，与传统海外公司实现万亿参数规模相比，能耗降低超八成、效率提升近11倍。

M6是国内首个实现商业化落地的多模态大模型。M6拥有超越传统AI的认知和创造能力，擅长绘画、写作、问答，在电商、制造业、文学艺术等诸多领域拥有广泛应用前景。

这里来为大家介绍支持万亿参数模型训练的Whale框架设计。

一、模型发展趋势和挑战

1.模型发展趋势

随着深度学习的火爆，模型的参数规模也增长迅速，OpenAI数据显示：

• 2012年以前，模型计算耗时每2年增长一倍，和摩尔定律保持一致;
• 2012年后，模型计算耗时每3.4个月翻一倍，远超硬件发展速度。

近一年模型参数规模飞速增长，谷歌、英伟达、阿里、智源研究院都发布了万亿参数模型，有大厂也发布了百亿、千亿参数模型。同时，随着模型参数规模增大，模型效果也在逐步提高，Nvidia测试Bert模型不同参数规模，发现模型困惑度随模型参数规模增加而降低。

Google在GShard paper中也发现MoETransformer 模型参数规模越大，翻译质量越高。

2.大模型训练的挑战

大模型带来模型效果提升的同时，也为训练框架带来更大的挑战，例如当我们要训练一个万亿规模的模型时会面临如下挑战：

• 训练难：
  • GPU显存已经不够存放模型副本，数据并行已经不能满足需求;
  • 需要框架提供新的并行策略，协同多GPU能力来存放和训练模型;
  • 如何给用户提供简洁、易用的接口，让用户能很容易实现分布式版模型;
  • 超大规模模型对计算效率、通信效率都带来很大挑战，如何提高计算和通信效率;
  • 下游任务如何对接，如何支持批量预测和在线推理需求;
• 成本高：
  • 以万亿模型为例，模型参数有4TB大小、梯度也有4TB，加上optimizer states和active tensor，显存需求巨大;
  • 业界训练同等规模模型需要的资源：英伟达 3072 A100、谷歌 2048 TPU v3，成本太高很难落地;
  • 如何降本增效，使用更少的资源，更快的训练收敛;

当前已经有一些分布式训练框架，例如：Horovod、Tensorflow Estimator、PyTorch DDP等支持数据并行，Gpipe、PipeDream、PipeMare等支持流水并行，Mesh Tensorflow、FlexFlow、OneFlow、MindSpore等支持算子拆分，但这些框架还有一些不足：

• 模式单一：很多框架只支持部分并行策略，不能完全支持各种混合并行;
• 接入门槛高：用户实现模型分布式版本难度大、成本高，需要有领域专家经验才能实现高效的分布式并行策略;
• 迁移代价大：不同分布式框架并行化实现割裂，不同框架有各自定义的DSL，当用户要切换并行策略时，需要学习各种接口，重新改写模型;
• 性能不理想：部分框架实现未考虑集群物理环境;

为了应对当前分布式训练的挑战，我们研发了分布式训练框架Whale，主要目标是：

• 统一多种并行策略：在一个框架中支持各种并行策略以及这些策略的各种组合;
• 简洁易用的接口：用户只需添加几行annotation即可完成并行策略的配置，模型代码不需要改动;
• 高效的训练框架：结合硬件资源、网络拓扑和模型进行协同优化，打造高效分布式训练框架;

二、PAI自研Whale框架

1.Whale架构

我们推出统一多种并行策略的高性能分布式训练框架Whale，从如下角度来应对分布式训练的挑战：

• 将不同并行化策略进行统一抽象、封装，在一套分布式训练框架中支持多种并行策略;
• 基于Tensorflow设计一套分布式并行接口，完全兼容Tensorflow，用户仅仅只需添加几行annotation就可以实现丰富的分布式并行策略;
• 结合模型结构和网络拓扑进行调度和通信优化，提供高效的分布式训练能力。

Whale框架如下图所示，主要分4个模块：

• API：提供简洁易用接口，让用户组合使用各种混合并行策略;
• Whale IR：将并行策略转成内部表达，通过TaskGraph、Multi-Dimension、VirtualDevices抽象来表达各种并行策略;
• Whale Engine：基于WhaleIR，通过图编辑工具来构建分布式执行图;
• Runtime：将分布式执行图转成TFGraph，再调用TF 的Runtime来执行;

2.Whale简介易用接口

Whale提供简洁易用的接口来描述各种并行策略，主要的原语：

• cluster：配置Virtual Device的划分方法
• replica：数据并行
• stage：划分TaskGraph
• pipeline：流水并行
• split：算子拆分

用这些接口可以组合各种并行策略，例如：

• 数据并行：

• 流水并行：

流水并行+数据并行：

更多并行策略示例：

3.Whale训练流程

使用Whale进行分布式训练流程：

• 并行策略配置：
  • 使用Whale API来为模型配置并行策略，只需添加几行annotation，无需修改模型代码，方法如 2.2节 所示;
  • 可以将模型划分为多个TaskGraph，TaskGraph支持配置多个并行策略，每个TaskGraph可以配置不同的并行策略;
• 虚拟资源划分：
  • 按并行策略来划分Virtual Device，每个TaskGraph对应一个Virtual Device;
  • 按GPU资源和网络topo来为Virtual Device选择Physical Device;
• 分布式执行图：
  • 基于并行策略和资源分配信息，使用图编辑工具来编辑执行图(图拷贝、拆分、插入通信节点等)，生成最终的分布式执行图;
  • 调用TF的runtime来执行分布式Graph;

三、万亿M6模型预训练

万亿模型的算力需求非常大，为了降低算力需求，Whale中实现了MoE(Mixture-of-Experts)结构，MoE的主要特点是稀疏激活，使用Gating(Router)来为输入选择Top k的expert进行计算(k常用取值1、2)，从而大大减少算力需求。

Whale中实现了MoE(Mixture-of-Experts) layer，并支持专家并行，将experts拆分到多个Devices上，降低单个Device的显存和算力需求。同时数据并行有利于提升训练的并发度，因此采用数据并行+专家并行组合的混合并行策略来训练M6模型：MoElayer采用专家并行，其他layer采用数据并行。

Whale中提供简洁易用的接口来进行模型的混合并行训练，只需要增加几行annotation来配置并行策略，模型本身不需要任何修改。M6模型采用数据并行+专家并行的策略，只需要增加如下图的annotation：

同时为了节约训练资源，提高训练效率，Whale中提供各种优化技术：

显存优化：

• Auto Gradient Checkpoint，自动选择最优checkpoint节点，节约activation的显存;
• Group-wise Apply，优化Optimizer Apply阶段的显存;
• CPU Offload技术，优化Optimizer status和Weight的显存;
• 通信池化，控制通信的数据块大小和并发，节约通信的显存;

计算、通信加速：

• 采用DP+EP混合并行策略，降低算力需求;
• 采用分组融合通信、半精度通信、拓扑感知的All2All通信算子等技术来提高通信效率;
• 结合混合精度、编译优化等技术提高训练效率;
• 借助Whale框架，首次在480 V100 上，3天内完成万亿M6模型的预训练。相比此前英伟达使用3072 A100 GPU实现万亿参数、谷歌使用2048 TPU实现1.6万亿参数大模型，此次达摩院仅使用480卡V100 32G GPU就实现了万亿模型M6，节省算力资源超80%，且训练效率提升近11倍。

四、结语

模型参数规模已越来越大，大模型已成为发展趋势，为解决超大模型训练的挑战，我们自研Whale框架，将不同并行化策略进行统一抽象、封装，在一套分布式训练框架中支持多种并行策略。Whale提供简洁易用的接口，用户只需添加几行annotation即可实现各种并行策略，不需要对模型本身进行修改。同时我们结合硬件资源、网络topo、模型进行软硬件协同优化，提供高效分布式训练框架。

通过Whale框架，我们用480 V100 GPU卡训练万亿规模模型，并在3天内完成模型训练收敛，为超大规模模型训练落地提供了可能，后续我们会进一步完善Whale框架，从更大规模、更快速度、更高性价比3个维度去扩展Whale框架的能力。同时也会推动Whale能力在更多业务场景落地，让技术能力到产品能力的转变。