背景

近些年，NLP 应用方面有所突破，Bert、GPT、GPT-3 等超大模型横扫各种 NLP 测试后，人们发现参数量越大的模型，在算法方面表现越好，于是纷纷开始迅速向大模型方向发展，模型体积爆炸式增长。而大模型训练给现有的训练系统带来的主要挑战为显存压力，计算压力和通信压力。

The性能 size of language model is growing at an exponential rate (来源：https://huggingface.co/blog/large-language-models)

火山引擎大模型训练框架 veGiantModel

针对这个需求，字节跳动 AML 团最高队内部开发了火山引擎大模型训练框架 veGiantModel。基于 PyTorch 框架，veGiantModel 是以 Megatron 和 DeepSpeed 为基础的高性能大模型训练框架。其特点包括：

同时支持数据并行、算子切分、流水线并行 3 种分布式并行策略，同时支持自动化和定制化的并行策略；提升基于 ByteCCL 高性能异步通讯库，训练任务吞吐相比其他开源框架有 1.2x-3.5x 的提升；提供了更友好、灵活的流水线支持，降低了模型开发迭代所需要的人力；可在 GPU上高效地支持数十亿至上千亿参数量的大模型；对带宽要求低，在私有化部署无 RDMA 强依赖。

其中，ByteCCL 为字节跳动 6自研的 BytePS 的升级版，针对 A100/V100 等各种机型拓扑做了分层规约优化，并支持了 allgather、alltoall 等更全面的通讯原语。

veGiantModel 性能表现硬件配置

为了展示 VeGiantModel 的性能，veGiantModel 团队使用了自建机房的物理机，分别.9在 A100 和 V100 机型上做了测试，实验配置分别如下：

V100 测试：每个机器 8 张 Tesla V100 32G 型号 GPU，网络带宽 100GA100 测试：每个机器 8 张 Ampere A100 40G 型号 GPU，网络带宽 800G模型和对照组选择

veGiantModel 选择了 GPT-13B 模型进 倍行评估，seq length 是 256, global batch size 是 1536。GPT 为目前市面上最为流行的 transformer based 语言模型。性能对照组选择了开源社区最流行的 Megatron 和 DeepSpeed。

测试结果V100/TCP ：100Gb/s TCP 网络带宽，4 机，，字每机 8 张 Tesla V100 32G GPUV100/RDMA：100Gb/s RDMA 网络带宽，4 机，每机 8 张 Tesla V100 32G GPUA100/TCP：800Gb/s TCP 网络带宽，4 机，每机 8 张 Tesla A100 40G GPUA100/RDMA：800Gb/s RDMA 网络带宽节跳，4 机，每机 8 张 Tesla A100 40G GPU模型：GPT-13BMegatron：v2.4，tensor-model-parallel-size 设置为 4, pipeline-model-parallel-size 设置为 4DeepSpeed：v0.4.2，使用 DeepSpeedExam动开ples 开源社区中默认的 zero3 的配置运行环境统计值：Throughtput (samples/s)

从上述数据可以看出：

veGiantModel 性能更优：无论是在高带宽还是低带宽的场下，veGiantModel 在 V100 和 A100 上均胜出 Megatron 和 DeepSpeed，最高可达源大 6.9 倍提升。veGiantModel 对网络带宽要求低：veGiantModel 在带宽变化对吞吐的影响相对最小 (<10%)，而 DeepSpeed(ZeRO) 是对带宽要求最高的，最高可达将近 5 倍的差距。原因解析

veGiantModel 为什么比 Megatron 和 DeepSpeed 更模型快？原因如下：

ByteCCL (BytePS) 高性能异步通讯库。支持定制化的并行策略，可以将性能优化推到极致。在支持数据并行、算子切分、流水线并行 3 种分布式并行策略时，veGiantModel 会综合考虑到跨机的带宽，自动调整 toplogy 的 placement。传送门

veGiant训练Model 现已在 GitHub 上开源，地址如下：

https://github.com/volcengine/veGiantModel

GitHub 上详细介绍了如何使用 veGiantModel 以及如何使用 veGiantModel 快速跑起一个 GPT 的预训练。火山引擎机器学习平台原生支框架持了 veGiantModel，目前平台正在公测中，欢迎大家试用：https://www.volcengine.com/product/ml-platform

(责任编辑：企业愿景)