Accelerate 文档

FSDP 对比 DeepSpeed

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

FSDP 对比 DeepSpeed

Accelerate 通过集成 PyTorch FSDP 和 Microsoft DeepSpeed 这两个功能强大的分布式训练工具,提供了训练框架的灵活性。本教程旨在比较两者的异同,以便用户能够在这两个框架之间无缝切换。

要在框架之间切换,我们建议使用 accelerate launch 命令,通过 --config_file 传入正确的配置文件,或者直接为 FSDP 和 DeepSpeed 传入相应的参数。

DeepSpeed 的 Accelerate 配置示例请参见此处,FSDP 的配置示例请参见此处,或者在示例库中的“启动配置”部分查找。

本教程仅适用于单节点、多 GPU 场景。

配置功能

模型张量被分成不同的 GPU 以便扩展模型大小;这在 FSDP 中称为“分片”(*sharding*),在 DeepSpeed 中称为“分区”(*partitioning*)。FSDP 分片和 DeepSpeed ZeRO(分区)阶段分别通过 --fsdp_sharding_strategy--zero_stage 进行配置。特别是,FSDP FULL_SHARD 对应于 DeepSpeed ZeRO 阶段 3;有关 FSDP 分片和 DeepSpeed ZeRO 设置之间的全面映射,请参阅此页面。下表总结并分组了类似设置:

框架 配置 示例 限制(如果有)
分片 / 分区 FSDP
DeepSpeed
--fsdp_sharding_strategy
--zero_stage
1 (FULL_SHARD)
3
卸载 FSDP
DeepSpeed
--fsdp_offload_params
--offload_param_device
--offload_optimizer_device
true
cpu
cpu
全部或不卸载

模型加载 FSDP
DeepSpeed
--fsdp_cpu_ram_efficient_loading
--zero3_init_flag
true
true

仅限 ZeRO 3
高效检查点 FSDP
DeepSpeed
--fsdp_state_dict_type
--zero3_save_16bit_model
SHARDED_STATE_DICT
true

仅限 ZeRO 3
权重预取 FSDP

DeepSpeed
--fsdp_forward_prefetch
--fsdp_backward_prefetch
true
BACKWARD_PRE


模型 FSDP

DeepSpeed
--fsdp_auto_wrap_policy
--fsdp_transformer_layer_cls_to_wrap
TRANSFORMER_BASED_WRAP
<层类>

通常不需要
对用户透明。
参数召唤 FSDP
DeepSpeed
--fsdp_use_orig_params
true torch.compile 所必需
对用户透明
参数同步 FSDP
DeepSpeed
--fsdp_sync_module_states
true
训练 FSDP
DeepSpeed

--gradient_accumulation_steps
--gradient_clipping

自动
自动
对用户透明

有关上述内容的详细说明,请参阅 Accelerate 启动文档

要访问其他 DeepSpeed 配置,例如混合精度设置,您需要传入 --deepspeed_config_file,请参阅文档

DeepSpeed 也可以通过 DeepSpeedPlugin 配置,例如,DeepSpeedPlugin.zero_stage 等同于 --zero_stageDeepSpeedPlugin.hf_ds_config 可用于传递 --deepspeed_config_file

FSDP 也可以通过 FullyShardedDataParallelPlugin 配置,例如,FullyShardedDataParallelPlugin.sharding_strategy 等同于 --fsdp_sharding_strategy

检查点

请注意,FSDP 可以通过 --fsdp_state_dict_type 配置来保存完整或分片检查点。

对于 DeepSpeed Zero3,可以传入 --zero3_save_16bit_model true,它方便地将模型整合到一个 rank 中并保存;这相当于 FSDP 中的 fsdp_state_dict_type: FULL_STATE_DICT

对于大型模型,将模型整合到一个 rank 中可能会非常慢。

为了加快检查点保存速度,对于 FSDP,请使用 fsdp_state_dict_type: SHARDED_STATE_DICT;对于 DeepSpeed Zero3,请使用 zero_to_fp32.py 脚本来后转换分片检查点

卸载

FSDP 只允许*全部或不卸载*(即,要么卸载所有参数、梯度和优化器,要么将它们全部保留在 GPU 中),但 DeepSpeed 可以不同地卸载参数和优化器。此外,DeepSpeed 还支持卸载到 NVME

预取

FSDP 允许两种预取配置:--fsdp_forward_prefetch--fsdp_backward_prefetch,以牺牲额外内存为代价提高通信/计算重叠,参见FSDP 文档。对于 DeepSpeed,预取会在需要时开启,并且它会根据某些超参数(如 stage3_param_persistence_thresholdstage3_max_reuse_distance 等)开启,这些超参数可以为 Zero3 配置;如果您未在 deepspeed 配置文件中明确设置这些超参数,accelerate 可能会自动设置它们。

对于 FSDP,如果内存允许,请将 fsdp_backward_prefetch: BACKWARD_PRE 设置为提高吞吐量。

模型加载

FSDP 需要显式设置 --fsdp_cpu_ram_efficient_loading true 来激活高效模型加载,而 transformers 在使用 DeepSpeed Zero3 时会自动激活类似功能。

对于 FSDP,当设置 --fsdp_cpu_ram_efficient_loading true 时,accelerate 会自动将 sync_module_states 设置为 true。对于 RAM 高效加载,权重将只加载到单个 rank 中,因此需要 sync_module_states 将权重广播到其他 rank。

模型

FSDP 需要显式的 --fsdp_auto_wrap_policy 标志,以便算法决定如何调度 all-gather 和 reduce-scatter 操作。但对于 DeepSpeed,这对用户是透明的。

对于 FSDP,只需设置 fsdp_auto_wrap_policy: TRANSFORMER_BASED_WRAP。使用最新的 transformers 版本,我们尽力找出适合 HF transformers 模型的 fsdp_transformer_layer_cls_to_wrap。但是,如果遇到相关错误,请指定此参数。

参数召唤

如果使用 torch.compile,FSDP 需要显式设置 --fsdp_use_orig_params 标志,请参阅 pytorch 文档。对于 DeepSpeed,这对用户是透明的。

对于 FSDP,当使用 torch.compile 时,请设置 fsdp_use_orig_params: True

训练

DeepSpeed 需要显式的 --gradient_accumulation_steps--gradient_clipping 标志。对于 FSDP,这对用户是透明的。

使用 DeepSpeed 时,设置 gradient_accumulation_steps: "auto"gradient_clipping: "auto" 将自动选择在 AcceleratorTrainingArguments(如果使用 transformers)中设置的值。

关于数据精度处理的差异

为了讨论 FSDP 和 DeepSpeed 中数据精度如何处理,首先概述这些框架中模型参数的处理方式是有益的。在模型/优化器参数分发到 GPU 之前,参数准备涉及先将它们“展平”为一维 torch.Tensor。FSDP / DeepSpeed 的实现在这些“展平”参数的 dtype 存储方面有所不同,这会影响 torch.Optimizer 如何分配其 dtype。下表概述了这两个框架的过程;“本地”列表示在每个 GPU 级别上发生的过程,因此向上转换导致的任何内存开销都应被使用的 GPU 数量摊销。

作为经验法则,为了自动混合精度的稳定训练,所有可训练参数必须是 torch.float32

过程 本地 框架 详情
加载,即 AutoModel.from_pretrained(..., torch_dtype=torch_dtype)
准备,即创建“展平参数” FSDP
DeepSpeed
torch_dtype 创建。
忽略 torch_dtype,以 float32 创建。
优化器初始化 FSDP
DeepSpeed
torch_dtype 创建参数
float32 创建参数
训练步骤,即前向、反向、规约 FSDP
DeepSpeed
遵循 MixedPrecision
遵循 deepspeed_config_file 混合精度设置。
优化器(预步骤) FSDP
DeepSpeed
向上转换(如果有)到 torch_dtype
向上转换为 float32
优化器(实际步骤) FSDP
DeepSpeed
发生在 torch_dtype
发生在 float32

因此,当使用少量 GPU 的 DeepSpeed 时,请注意由于准备过程中的向上转换而可能导致的显着内存开销。

使用 FSDP 时,在没有混合精度的情况下,可以将 torch.Optimizer 以低精度 torch_dtype 运行,这在使用少量 GPU 时可能会有所帮助。

在混合精度下,FSDP 和 DeepSpeed 将在模型准备步骤中向上转换(参见上表)。但请注意,FSDP 将以向上转换后的精度保存检查点;如果指定了 --zero3_save_16bit_model,DeepSpeed 仍可能保存低精度检查点。

为阐明上表,请考虑下面的具体示例;为简洁起见,优化器预步骤和实际步骤合并。FSDP 可以以以下两种模式运行,而 DeepSpeed 只能以一种模式运行。

框架 模型加载(torch_dtype 混合精度 准备(本地) 训练 优化器(本地)
FSDP bf16 默认(无) bf16 bf16 bf16
FSDP bf16 bf16 fp32 bf16 fp32
DeepSpeed bf16 bf16 fp32 bf16 fp32
< > 在 GitHub 上更新