并行策略
正如和分布式一样，如何利用多设备和多硬件也是很重要的一个环节。大模型训练也是如此，如今训练大模型离不开各种分布式并行策略，常用的并行策略包括：
下图为其中一种算法，将所有的梯度分为五份，然后按照圆圈的方式传播（而不是广播数据）累加，直到每个GPU都完成一个部分的累加，然后再批量同步数据。
经过五次循环之后，每个GPU再将各自负责的那部分数据直接同步给其他显卡，避免多次广播运算。
由于数据并行简单易实现，应用最为广泛。然而每张显卡都存储完整的模型，此时显存大小成为了瓶颈。例如若存在2张显卡，那么系统中就存在2份模型参数，如果有4张卡，那么系统中就存在4份模型参数，如果有N张卡，系统中就存在N份模型参数，而其中N-1份其实都是冗余。那么有新的办法来解决这个问题没有，ZeRO就是其中的一种方法。
初识ZeRO
零冗余优化器（Zero Redundancy Optimizer，简称ZeRO）是一种用于大规模分布式深度学习的新型内存优化技术。ZeRO可以在当前一代GPU集群上训练具有100B参数的深度学习模型，吞吐量是当前最佳系统的吞吐量的三到五倍。它还为训练具有数万亿个参数的模型提供了一条清晰的路径，展示了深度学习系统技术的前所未有的飞跃。同时ZeRO也被集成到了DeepSpeed，它是用于加速分布式深度学习训练的高性能类库。
在搞清楚ZeRO之前需要先明白在模型训练时候，显卡的占用情况。一般而言，模型在训练的时候会不断地更新参数，目前采用的都是梯度下降法。而混合精度训练（mixed precision training）和Adam优化器基本上已经是目前训练模型的标配。
Adam在SGD基础上，为每个参数梯度增加了一阶动量（momentum）和二阶动量（variance）1。混合精度训练，字如其名，同时存在fp16和fp32两种格式的数值，其中模型参数、模型梯度都是fp16，此外还有fp32的模型参数，如果优化器是Adam，则还有fp32的momentum和variance。
回过头来看看显卡中的数据分类，一般而言可以分为两类：
假设模型参数量为Φ ，则共需要2Φ+2Φ+(4Φ+4Φ+4Φ)=4Φ+12Φ=16Φ 字节存储空间。从这个统计中可以发现，其实Adam优化器占据了75%的空间。<若读者要微调3B的模型，那么则需要48B的空间！！！>
ZeRO是为了克服数据并行性和模型并行性的局限性，同时实现两者的优点。它通过在数据并行进程中对模型状态（参数、梯度和优化器状态）进行分区，而不是复制它们，从而消除了数据并行进程之间的内存冗余。同时采用动态通信计划在分布式训练设备之间共享必要的状态，以保持数据并行性的计算粒度和通信量。
如何来解读上图，蓝色就代表模型参数数Φ（若每个参数类型是FP16，则为2Φ字节），橙色代表模型梯度数Φ，K为优化器Adam的参数量系数，即KΦ。
在DeepSpeed的训练框架中， Pos对应ZeRO-1， Pos+g对应ZeRO-2， Pos+g+p对应ZeRO-3，而一般在生产中ZeRO-1就足够使用。
本文转载自，作者：