GLM國產大模型訓練加速：效能最高提升3倍，視訊記憶體節省1/3，低成本上手

語言: CN / TW / HK
時間 2023-01-30 10:01:16

 

作者｜BBuf、謝子鵬、馮文
 

2017 年，Google 提出了 Transformer 架構，隨後 BERT 、GPT、T5等預訓練模型不斷湧現，並在各項任務中都不斷重新整理 SOTA 紀錄。去年，清華提出了 GLM 模型（ http://github.com/THUDM/GLM ），不同於上述預訓練模型架構，它採用了一種自迴歸的空白填充方法， 在 NLP 領域三種主要的任務（自然語言理解、無條件生成、有條件生成）上都取得了不錯的結果。
 

很快，清華基於 GLM 架構又推出了 GLM-130B（ http://keg.cs.tsinghua.edu.cn/glm-130b/zh/posts/glm-130b/ ），這是一個開源開放的雙語（中文和英文）雙向稠密模型，擁有 1300 億引數，在語言理解、語言建模、翻譯、Zero-Shot 等方面都更加出色。
 

預訓練模型的背後離不開開源深度學習框架的助力。在此之前，GLM 的開原始碼主要是由 PyTorch、DeepSpeed 以及 Apex 來實現，並且基於 DeepSpeed 提供的資料並行和模型並行技術訓練了 GLM-Large（335M），GLM-515M（515M），GLM-10B（10B）等大模型，這在一定程度上降低了 GLM 預訓練模型的使用門檻。

 

即便如此，對更廣大範圍的普通使用者來說，訓練 GLM 這樣的模型依然令人頭禿，同時，預訓練模型的效能優化還有更大的提升空間。

 

為此，我們近期將原始的 GLM 專案移植到了使用 OneFlow 後端進行訓練的 O ne- GLM 專案。得益於 OneFlow 和 PyTorch 無縫相容性，我們快速且平滑地移植了 GLM，併成功跑通了預訓練任務（訓練 GLM-large）。

 

此外，由於 OneFlow 原生支援 DeepSpeed 和 Apex 的很多功能和優化技術，使用者不再需要這些外掛就可訓練 GLM 等大模型。更重要的是，針對當前 OneFlow 移植的 GLM 模型，在簡單調優後就能在效能以及視訊記憶體佔用上有大幅提升。

 

具體是怎麼做到的？下文將進行揭曉。

 

  • One-GLM： http://github.com/Oneflow-Inc/one-glm

  • OneFlow： http://github.com/Oneflow-Inc/oneflow
     

1
GLM-large 訓練效能和視訊記憶體的表現


首先先展示一下分別使用官方的 GLM 倉庫以及 One-GLM 倉庫訓練 GLM-large 網路的效能和視訊記憶體表現（資料並行技術），硬體環境為 A100 PCIE 40G，BatchSize 設定為 8。

 



 


 


可以看到，在 GLM-large 的訓練任務中，相比原始的基於 PyTorch、DeepSpeed、Apex 的 GLM 實現，OneFlow的效能有 120% - 276% 的加速，並且視訊記憶體佔用降低了10% -30%（ 測試結果均可用 o neflow >=0.9.0 復現）。
 

2

GLM 遷移，只需修改幾行程式碼
 

由於 OneFlow 無縫相容了 PyTorch 的生態，只需改動幾行程式碼，就可以讓使用者輕鬆遷移 GLM 大模型到 One-GLM：
 

  • 將 import torch 替換為  import oneflow as torch

  • 將 import torch.xx 替換為 import oneflow.xx

  • 將 from apex.optimizers import FusedAdam as Adam 替換為 from oneflow.optim import Adam

  • 將 from apex.normalization.fused_layer_norm import FusedLayerNorm as LayerNorm 替換為 from oneflow.nn import LayerNorm

  • 註釋掉 torch.distributed.ReduceOp，torch.distributed.new_group,，torch.distributed.TCPStore，torch.distributed.all_reduce 這些API，它們是 PyTorch DDP 所需要的，但 OneFlow 的資料並行是由內部的 SBP 和 Global Tensor 機制實現，並不需要這些 API。


其它許多模型的遷移更簡單，比如在和 torchvision 對標的 flowvision 中，許多模型只需通過在 torchvision 模型檔案中加入 import oneflow as torch 即可得到，讓使用者幾乎沒有額外成本。
 

此外，OneFlow 還提供全域性 “mock torch” 功能（ http://docs.oneflow.org/master/cookies/oneflow_torch.html ），在命令列執行 eval $(oneflow-mock-torch) 就可以讓接下來執行的所有 Python 腳本里的 import torch 都自動指向 oneflow。
 

3

兩大調優手段
 

loss 計算部分的優化
 

在原始的 GLM 實現中，loss計算部分使用到了 mpu.vocab_parallel_cross_entropy 這個函式 ( http://github.com/THUDM/GLM/blob/main/pretrain_glm.py#L263 ) 。
 

通過分析 這個函式 ，發現它實現了 sparse_softmax_cross_entropy 的功能，但在實現過程中，原始的 GLM 倉庫使用了 PyTorch 的 autograd.Function 模組，並且使用了大量的小運算元來拼接出 sparse_softmax_cross_entropy 整體的功能。而在 OneFlow 的運算元庫中，已經有 sparse_softmax_cross_entropy 這個運算元對應的 CUDA 實現了，也就是 flow.sparse_softmax_cross_entropy 這個 API。

 

所以，我們將 GLM 對 sparse_softmax_cross_entropy 的 naive 實現替換為 flow.sparse_softmax_cross_entropy 這個 API，並進行了 loss 對齊實驗。

 

結果如何？下圖展示了基於 OneFlow 的 Graph 模式訓練 GLM-large 模型前 1000 輪的 loss 對齊情況，並分別測試了 FP32 和 AMP 模式：

 

 

可以看到，將原始 GLM 的 naive sparse_softmax_cross_entropy 實現替換為 flow.sparse_softmax_cross_entropy 之後 loss 是完全對齊的，可以保證正確性。

 

相比原始的 GLM 的單卡效能，這個替換使得 One-GLM 的單卡效能有大幅提升，主要原因是 OneFlow 對 sparse_softmax_cross_entropy 運算元做了極致的效能優化，並且減少了原始 GLM 中大量的碎運算元拼湊帶來的訪存開銷。此外，這樣做也降低了 torch.autograd.Function 本身帶來的一些系統開銷。

 

CUDA Kernel Fuse

 

除上述優化外，GLM 模型本質上就是一個編解碼的 Transformer 架構，所以我們將之前優化 GPT、BERT 的一些 Fuse Pattern 也帶給了 One-GLM 模型。具體包含以下兩個 Fuse Pattern :

 

  • fused_bias_add_gelu : 將 bias_add 和 gelu 運算元融合在一起。

  • fused_bias_add_dropout ：將 bias_add 和 dropout 運算元融合在一起。

 

這兩個 fuse 都可以顯著改善計算的訪存，並減少 Kernel Launch 帶來的開銷，由於 GLM 模型越大則層數就會越多，那麼這種 Fuse Pattern 帶來的的優勢也會不斷放大。

 

最終，在上述兩方面的優化作用下，在 A100 PCIE 40G，batch_size = 8 環境中的訓練 GLM-large 的任務時，單卡 FP32 模式的效能相比原始的 GLM 取得了 280%（FP32 模式） 和 307%（ AMP 模式） 的訓練加速。

 

4
LiBai 也能輕鬆搞定 GLM 推理

 

當模型規模過於龐大，單個 GPU 裝置無法容納大規模模型引數時，便捷好用的分散式訓練和推理需求就相繼出現，業內也隨之推出相應的工具。

 

基於 OneFlow 構建的 LiBai 模型庫讓分散式上手難度降到最低，使用者不需要關注模型如何分配在不同的顯示卡裝置，只需要修改幾個配置資料就可以設定不同的分散式策略。當然，加速效能更是出眾。

 


用 LiBai 搭建的 GLM 可以便捷地實現model parallel + pipeline parallel推理, 很好地解決單卡放不下大規模模型的問題。


那麼，使用者如何利用大規模模型訓練與推理倉庫 LiBai 來構建 GLM 的分散式推理部分？下面用一個小例子解釋一下。


分散式推理具有天然優勢


要知道，模型的引數其實就是許多 tensor，也就是以矩陣的形式出現，大模型的引數也就是大矩陣，並行策略就是把大矩陣分為多個小矩陣，並分配到不同的顯示卡或不同的裝置上，基礎的 LinearLayer 在LiBai中的實現程式碼如下：

 

 

class Linear1D(nn.Module): def __init__(self, in_features, out_features, parallel="data", layer_idx=0, ...): super().__init__()
if parallel == "col": weight_sbp = dist.get_nd_sbp([flow.sbp.broadcast, flow.sbp.split(0)]) elif parallel == "row": weight_sbp = dist.get_nd_sbp([flow.sbp.broadcast, flow.sbp.split(1)]) elif parallel == "data": weight_sbp = dist.get_nd_sbp([flow.sbp.broadcast, flow.sbp.broadcast]) else: raise KeyError(f"{parallel} is not supported! Only support ('data', 'row' and 'col')")
self.weight = flow.nn.Parameter( flow.empty( (out_features, in_features), dtype=flow.float32, placement=dist.get_layer_placement(layer_idx), # for pipeline parallelism placement sbp=weight_sbp, ) ) init_method(self.weight) ... def forward(self, x): ...

 

在這裡，使用者可選擇去如何切分 Linear 層的矩陣，如何切分資料矩陣，而OneFlow 中的 SBP 控制豎著切、橫著切以及其他拆分矩陣的方案（模型並行、資料並行），以及通過設定 Placement 來控制這個 LinearLayer 是放在第幾張顯示卡上（流水並行）。

 

所以，根據 LiBai 中各種 layer 的設計原理以及基於 OneFlow 中 tensor 自帶的 SBP 和 Placement 屬性的天然優勢，使得使用者搭建的模型能夠很簡單地就實現資料並行、模型並行以及流水並行操作。

 

GLM 推理的 Demo 演示
 

這裡為使用者展示 LiBai 中 GLM 的單卡和便捷的多卡推理 Demo，模型可在 HuggingFace 上獲取： http://huggingface.co/models?filter=glm
 

  • 單卡 generate 任務，我們選擇 glm-10b 模型：

 
 

python demo.py

 

# demo.py import oneflow as flow from projects.GLM.tokenizer.glm_tokenizer import GLMGPT2Tokenizer from libai.utils import distributed as dist from projects.GLM.configs.glm_inference import cfg from projects.GLM.modeling_glm import GLMForConditionalGeneration from projects.GLM.utils.glm_loader import GLMLoaderHuggerFace from omegaconf import DictConfig
tokenizer = GLMGPT2Tokenizer.from_pretrained("/data/home/glm-10b") input_ids = tokenizer.encode( [ "Ng is an adjunct professor at [MASK] (formerly associate professor and Director of its Stanford AI Lab or SAIL ). Also a pioneer in online education, Ng co-founded Coursera and deeplearning.ai." ], return_tensors="of", ) inputs = {"input_ids": input_ids, "attention_mask": flow.ones(input_ids.size())} inputs = tokenizer.build_inputs_for_generation(inputs, max_gen_length=512)
sbp = dist.get_nd_sbp([flow.sbp.broadcast, flow.sbp.broadcast]) placement = dist.get_layer_placement(0)
dist.set_device_type("cpu") loader = GLMLoaderHuggerFace(GLMForConditionalGeneration, cfg, "/path/to/glm-10b") model = loader.load() model = model.half().cuda()
dist.set_device_type("cuda") outputs = model.generate( inputs=inputs['input_ids'].to_global(sbp=sbp, placement=placement), position_ids=inputs['position_ids'].to_global(sbp=sbp, placement=placement), generation_attention_mask=inputs['generation_attention_mask'].to_global(sbp=sbp, placement=placement).half(), max_length=512 ) res = tokenizer.decode(outputs[0]) print(res) >>> [CLS] Ng is an adjunct professor at [MASK] (formerly associate professor and Director of its Stanford AI Lab or SAIL ). Also a pioneer in online education, Ng co-founded Coursera and deeplearning.ai.<|endoftext|> <|startofpiece|> Stanford University and a co-founder of <|endofpiece|>

 

  • 4卡 model parallel+pipeline parallel generate 任務，選擇 glm-10b 模型：

 
 

python3 -m oneflow.distributed.launch --nproc_per_node 4 demo.py

 

# demo.py import oneflow as flow from projects.GLM.tokenizer.glm_tokenizer import GLMGPT2Tokenizer from libai.utils import distributed as dist from projects.GLM.configs.glm_inference import cfg from projects.GLM.modeling_glm import GLMForConditionalGeneration from projects.GLM.utils.glm_loader import GLMLoaderHuggerFace from omegaconf import DictConfig
# 只需簡單配置並行方案 parallel_config = DictConfig( dict( data_parallel_size=1, tensor_parallel_size=2, pipeline_parallel_size=2, pipeline_num_layers=2 * 24 ) ) dist.setup_dist_util(parallel_config)
tokenizer = GLMGPT2Tokenizer.from_pretrained("/data/home/glm-10b") input_ids = tokenizer.encode( [ "Ng is an adjunct professor at [MASK] (formerly associate professor and Director of its Stanford AI Lab or SAIL ). Also a pioneer in online education, Ng co-founded Coursera and deeplearning.ai." ], return_tensors="of", ) inputs = {"input_ids": input_ids, "attention_mask": flow.ones(input_ids.size())} inputs = tokenizer.build_inputs_for_generation(inputs, max_gen_length=512)
sbp = dist.get_nd_sbp([flow.sbp.broadcast, flow.sbp.broadcast]) placement = dist.get_layer_placement(0)
loader = GLMLoaderHuggerFace(GLMForConditionalGeneration, cfg, "/path/to/glm-10b") model = loader.load()
outputs = model.generate( inputs=inputs['input_ids'].to_global(sbp=sbp, placement=placement), position_ids=inputs['position_ids'].to_global(sbp=sbp, placement=placement), generation_attention_mask=inputs['generation_attention_mask'].to_global(sbp=sbp, placement=placement), max_length=512 ) res = tokenizer.decode(outputs[0]) if dist.is_main_process(): print(res) >>> [CLS] Ng is an adjunct professor at [MASK] (formerly associate professor and Director of its Stanford AI Lab or SAIL ). Also a pioneer in online education, Ng co-founded Coursera and deeplearning.ai.<|endoftext|> <|startofpiece|> Stanford University and a co-founder of <|endofpiece|>

 

  • 使用 One- GLM 訓練的模型進行推理


LiBai對於OneFlow的模型載入同樣方便，如果你希望使用one-glm訓練後的模型進行推理，只需簡單的將上述demo中的 GLMLoaderHuggerFace 替換為 GLMLoaderLiBai 。
 

5

結語
 

基於 OneFlow 來移植 GLM 大模型非常簡單，相比於原始版本 PyTorch GLM  訓練 GLM-large 模型，OneFlow 能大幅提升效能和節省視訊記憶體。

 

此外，通過使用 GLM-10B 這個百億級大模型做推理，表明基於 OneFlow 的 LiBai 來做大模型推理可以開箱即用，並實現更高的推理速度，如果你想配置不同的並行方式來推理大模型，只需要簡單配置檔案的幾個引數即可。

 

未來，OneFlow團隊將探索使用 OneFlow 訓練更大的 GLM-130B 千億模型的可行性 ，相信基於 OneFlow 可以更快地訓練 GLM-130B 千億級別模型，加速國產大模型訓練和推理任務。

歡迎Star、試用One-GLM：
 

  • One-GLM： http://github.com/Oneflow-Inc/one-glm

  • OneFlow： http://github.com/Oneflow-Inc/oneflow

 

其他人都在看

歡迎Star、試用OneFlow最新版本：http://github.com/Oneflow-Inc/oneflow/

 

本文分享自微信公眾號 - OneFlow（OneFlowTechnology）。
如有侵權，請聯絡 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。

「」
「」