大模型训练（2）：内存开销

模型训练中的存储消耗

1 存储分类

首先，在大模型训练的过程中，GPU都需要存什么内容：存储主要分为两大块：Model States和Residual States

• Model State：指和模型本身息息相关的，必须存储的内容，具体包括：
  • Optimizer States：Adam优化算法中的momentum（动量）和variance（方差）
  • Gradients：模型梯度$G$
  • Parameters：模型参数$W$
• Residual States：指并非模型必须的，但在训练过程中会额外产生的内容，具体包括：
  • Activation：激活值。在流水线并行中曾详细介绍过。在backward过程中使用链式法则计算梯度时会用到。有了它算梯度会更快，但它不是必须存储的，因为可以通过重新做Forward来算它。
  • Temporary Buffers：临时存储。例如把梯度发送到某块GPU上做加总聚合时产生的存储。
  • Unusable Fragment Memory：碎片化的存储空间。虽然总存储空间是够的，但是如果取不到连续的存储空间，相关的请求也会被fail掉。对这类空间浪费可以通过内存整理来解决。

2 精度混合训练

知道了存储分类，进一步，我们想知道，假设模型的参数$W$大小是$\Phi$（为了方便后面绝对存储空间大小的说明，这里的大小表示数据的个数，即为有$\Phi$个参数），那么每一类存储具体占了多大的空间呢？

在分析这个问题前，我们需要来了解精度混合训练。

对于模型，我们肯定希望其参数越精准越好，也即我们用fp32（单精度浮点数，存储占4byte）来表示参数$W$。但是在forward和backward的过程中，fp32的计算开销也是庞大的。那么能否在计算的过程中，引入fp16或bf16（半精度浮点数，存储占2byte），来减轻计算压力呢？于是，混合精度训练就产生了，它的步骤如下图：

• 存储一份fp32的parameter，momentum和variance（统称model states）
• （1）在forward开始之前，额外开辟一块存储空间，将fp32 parameter减半到fp16 parameter
• （2）正常做forward和backward，在此之间产生的activation和gradients，都用fp16进行存储
• （3）用fp16 gradients去更新fp32下的model states
• 当模型收敛后，fp32的parameter就是最终的参数输出

通过这种方式，混合精度训练在计算开销和模型精度上做了权衡。如果不了解fp32，fp16和bf16的细节也没关系，不影响下文的阅读。只要记住它们所占的存储空间和精度表达上的差异即可。

3 存储大小估计

现在，我们可以来计算模型在训练时需要的存储大小了，假设模型的参数$W$大小是$\Phi$ （此处可以理解为参数数量），以byte为单位，存储如下：

• 必存（共计$12\Phi$）：
  • Parameters（FP32占4个字节，共$\Phi$个）= $4\Phi$
  • momentum（FP32占4个字节，共$\Phi$个）= $4\Phi$
  • variance（FP32占4个字节，共$\Phi$个） = $4\Phi$
• 中间值（共计$4\Phi$）：
  • Parameters（FP16） = $2\Phi$
  • Gradients（FP16） = $2\Phi$

因为采用了Adam优化，所以才会出现momentum和variance，当然你也可以选择别的优化办法。因此这里为了更通用些，记模型必存的数据大小为 $K\Phi$ 。因此最终内存开销为： $2\Phi +2\Phi +K\Phi$

另外，这里暂不将activation纳入统计范围，原因是：

• activation不仅与模型参数相关，还与batch size相关
• activation的存储不是必须的。存储activation只是为了在用链式法则做backward的过程中，计算梯度更快一些。但你永远可以通过只保留最初的输入$X$，重新做forward来得到每一层的activation（虽然实际中并不会这么极端）。
• 因为activation的这种灵活性，纳入它后不方便衡量系统性能随模型增大的真实变动情况。因此在这里不考虑它，在后面会单开一块说明对activation的优化。