图解大模型训练系列：序列并行1，Megatron SP

最近已有不少大厂都在秋招宣讲，也有一些已在 Offer 发放阶段了。

节前，我们邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。

针对新手如何入门算法岗、该如何准备面试攻略、面试常考点、大模型技术趋势、算法项目落地经验分享等热门话题进行了深入的讨论。

总结链接如下：

《大模型面试宝典》(2024版) 发布！

喜欢本文记得收藏、关注、点赞。

---

大家好，最近在抽空整理之前“序列并行”相关的学习笔记，想着之前dp，pp，tp，ep都已经写过了，漏了一个sp总是有点遗憾，所以趁着最近有热情，赶紧补上来，也算是我对这一块的一些总结。

其实，序列并行是个很宽泛的概念，虽然本质上都在seq维度做了切分，但各家解决问题的出发点和实际的操作方法都是不一样的，例如我们常见的序列并行框架/方法有：

• Megatron Sequence Parallelism：本质是想通过降低单卡激活值大小的方式，尽可能多保存激活值，少做重计算，以此提升整体训练速度，一般和它家的tp配套使用。

• DeepSpeed Ulysses：我们知道ds家的zero是模型并行的形式，数据并行的本质。在这个情况下，单张卡是完整地做一条序列的MHA过程的，序列长度较长时，就会对单卡显存产生压力。所以Ulysses的解决办法是，让单张卡只算部分head的结果，具体实践起来就是先通过按seq维度切割卡的输入，再通过all2all通讯来做。

• Ring-Attention：相当于分布式的Flash Attention V2（我个人的理解），它最终的效果是让每张卡只算自己所维护的那部分seq_chunk的MHA。

• Megatron Context Parallelism：可以看成是增强版的sp，引入了类ring-attention的技术（在tp-pp-dp rank相同的位置做ring-attention），联合Megatron的各种混合并行方式进行训练。

（以上介绍看不懂也没事，后面会慢慢更新文章的）

话题回到今天的SP上来，我们将会：

• 快速回顾tp过程

• 分析attention和mlp层的激活值大小（发现很多朋友对激活值的计算有疑惑，所以这章写得特别详细）

• 介绍Megatron SP及衍生的SP + selective activation recomputation的方法（配合激活值计算进行详细解读）

话不多说，进入正文吧～

一、张量并行

下图展示了张量并行的整体框架：

从图中可以发现，megatron只在【attention】和【mlp】层的计算中使用了张量并行：

• 当每块卡做attention/mlp前，每块卡上的input完全一致。

• 接着每块卡可以独立计算各自的attention/mlp部分。

• 当每块卡做完attention/mlp后，会对output进行通讯，最终保证每块卡上的output一致。这也确保了下一个block的attention/mlp的input一致。

我们来更仔细地探讨【attention】和【mlp】层在计算时发生了什么。

1.1 1.1 MLP层的张量并行

我们知道，通常MLP层主要由两个linear projection组成，我们在这里记其为A，B。同时我们假设把模型切割到了2块gpu上（tp_size = 2）。

在MLP层中，对A采用“列切割”，对B采用“行切割”。

• f 的forward计算：每块GPU上都拥有一个完整的输入X，每块GPU可以独立做forward计算。这里的X即对应着figure4中做完layernorm模块后的结果。

• g 的forward计算：每块GPU上的forward的计算完毕，取得Z1和Z2后，GPU间做一次AllReduce，相加结果产生Z。

• g 的backward计算：由于此时每块卡上拥有了完整的Z，那么我们可以正常计算出（其中L=Loss），然后两块GPU就能各自独立做梯度计算。

• f 的backward计算：当当前层的梯度计算完毕，需要传递到下一层继续做梯度计算时，我们需要求得。则此时两块GPU做一次AllReduce，把各自的梯度和相加即可。

（这里的就对应着figure4中的，而g对应着figure4中的）

1.2 Attention层的张量并行

对三个参数矩阵Q，K，V，按照“列切割”，也即每块gpu负责1个/若干个head的计算。对线性层B，按照“行切割”。切割的方式和MLP层基本一致，其forward与backward原理也一致，这里不再赘述。

二、Attention和MLP的激活值大小

我们知道，gpu的显存大小是模型训练的瓶颈之一。模型权重、梯度、优化器和激活值等都会占用显存。其中，当我们在bwd的过程中使用链式法则层层向下计算梯度时，激活值（activation）就成为了传导的中间媒介（例如1.1图中，X，Y1，Z1等就属于激活值）。由于激活值对显存的占据也是显著的，因此，我们有必要对激活值的存储做优化。

在以往的做法中，为了降低激活值占据的显存，我们会采用重计算（recomputation）技术，还是以1.1图为例：

• 在fwd的过程中，我们算出了Y1。这时为了节省显存，我们选择不保存Y1

• 在bwd的过程中，当梯度计算传导到Y1时，我们重新做fwd过程，把Y1算出来，然后再做bwd

• 采用重计算方法，我们可以避免那些暂时用不到激活值长久地占据着显存，导致其他计算过程因为申请不到充足的存储资源而陷入等待。

• 但是重计算也增加了模型的计算时长（多做了fwd），从而影响了模型的吞吐。

所以，我们自然而然想到：**如果我不采用重计算，依然让暂时用不到的激活值保存在gpu上，但是我却能通过某种办法，降低每张gpu上保存的激活值大小，这样不就能避免额外做fwd了吗？**回归到我们的张量并行上，此时模型权重已经被切开放到各块卡上，那么我们也想个办法，把激活值也切开放到各块卡上，不就行了吗？

围绕着这个想法，接下来我们就要依次解决3个问题：

1. Attention和MLP层会产出哪些激活值，它们会占据多少的显存大小？

2. 在这些激活值中，有哪些可以被切开存放，又是在什么维度上切割的？

3. 切割过后，整个Attention和MLP层是如何进行fwd和bwd计算的？

我们来依次回答这3个问题，在本节中我们先回答问题1。在以下的讲解中，我们都假设是采用fp16进行训练的，也就意味着每个矩阵元素占据2bytes的显存。

2.1 MLP层的激活值大小

我们先忽略任何切割方式，来看一个完整的mlp层的激活值大小计算。

设b=batch_size，s=seq_len，h=hidden_size。

• Input LN：数据进过layernorm前的结果将会被用在bwd的计算中，因此会被作为激活值存储下来，其占据的存储大小为2bsh，单位为bytes。

• MLP过程：

• 线性矩阵A(h, 4h)的输入被作为激活值保存，大小为2bsh

• 线性矩阵B(4h, h)的输入被作为激活值保存，大小为8bsh

• GELU函数的输入被作为激活值保存，大小为8bsh

• Dropout mask矩阵（用于记录B的输出结果中，hidden_size维度上有哪些元素被随机mask掉）会被作为激活值保存，大小为bsh。（因为只是一个简单的0/1 mask矩阵，所以一个元素用1 byte就可以保存下来）

• 总结来看，MLP过程的激活值大小 = 19bsh

当你读完MLP过程的相关介绍后，你可能有这么一个疑惑：看起来似乎每一个操作（例如linear、gelu等）的输入就是一个激活值，我们只需要把它保存下来就可以了。但如果是这样的话，为什么我们不保存dropout的输入呢？

所以接下来，为了帮助大家更好理解什么样的数据才算激活值，我们举几个具体的例子。

（1）上图中，dropout的输入为什么不算激活值？

我们设dropout输入为，输出为，损失值为离最近的带参矩阵为，那么我们可以通过求的具体形式，来判断在bwd中是否有用。

• 在fwd的过程中，我们有:

• ，M表示dropout_mask矩阵，表示element-wise product

• 在bwd的过程中，我们有：

• 由此可知，在整个链式推导的过程中，我们不会用到Z’，即我们不用保存dropout的输入

（2）上图中，GELU的输入为什么算作激活值？

我们设GELU输入为（为了作区分，这里符号表达和图中稍许不同），输出为。离最近的带参矩阵为，那么我们可以通过求的具体形式，来判断在bwd中是否有用。

• 在fwd的过程中，我们有：

• ，其中是sigmoid函数

• ，这里为了表达简练，直接把Y到最后损失L的过程写成映射函数f

• 在bwd的过程中，我们有：

其中你看到的和相关的那一串，就是GELU函数反向传播时的Y对Y’的偏导，本质上就是因为在链式传导到gelu这一项时需要用到Y’，所以我们才将Y’作为激活值保存。

（3）上图中，如果我们把GELU替换成一个不带参的线性层，比如我们有**，那我们还需要保存Y’吗？**

• 在fwd的过程中，我们有：

• ，这里为了表达简练，直接把Y到最后损失L的过程写成映射函数f

• 在bwd过程中，我们有：

• 所以，此时我们不需要保存Y’

上面这3个例子在告诉我们，决定一份数据是否能作为激活值保存下来的要点就在于它会不会在bwd的链式传导过程中被使用。所以大家不要凭主观去判定“一个带参矩阵的输入输出一定就是激活值”，一定要自己动手推一下。当然，只要看得多了，在不用手动推导的情况下，也能快速知道哪些数据是激活值了。

2.2 Attention层的激活值大小

设b=batch_size，s=seq_len，h=hidden_size，a = head_num

• Input LN：数据进过layernorm前的结果将会被用在bwd的计算中，因此会被作为激活值存储下来，其占据的存储大小为2bsh，单位为bytes。

• Attn过程：

• 输入X会被作为激活值保存，大小为2bsh

• X经过带参矩阵Wq, Wk, Wv后的结果Q, K, V会被作为激活值保存，大小为3 * 2bsh = 6bsh

• 的结果会被作为激活值保存，大小为

• 的结果、dropout mask矩阵会被作为激活值保存，大小分别为

• Linear proj的输入会被作为激活值保存，大小为2bsh

• 最后一个dropout操作的mask矩阵会被作为激活值保存，大小为bsh。

• 总结来看，Attention过程的激活值大小 =

我们再看一个很多朋友可能都有的困惑：**我到底是该保存的结果，还是该保存的结果呢？**从上图来看最终保存的是后者，可这是为什么呢？

我们还是沿用之前的思路解决这个问题：判断一份数据到底是不是激活值，不要靠想，要靠动手推，检查它是否在bwd的链式推导中起了作用。

• 对于fwd过程，我们有：

• Q = X*Wq

• K = X*Wk

• S = dropout(S’)，其中M是dropout mask矩阵。

• L = f(S)，f是损失函数。这里为了表达简练，直接把S到最后损失L的过程写成映射函数f

• (所以其实我们现在就是在讨论，是保留D，还是保留S’的问题)

• 对于bwd过程，假设我们现在想去求L对带参矩阵Wq的偏导:

这里diag一项，其实就是softmax的输出(S’)对softmax的输入(D)求偏导的结果。通过上面的过程我们可以发现，真正有用的是softmax的输出，所以我们才选择保存。

2.3 小结

从上面的分析中，我们可以知道：

• MLP层的激活值大小为：

• Attention层的激活值大小为：

• MLP层和Attention层的输入数据都首先经过了layernorm处理，和layernorm相关的激活值大小为

• 所以一个Attention + MLP组成的block中，总激活值大小为

三、Megatron SP

目前为止，我们已经知道哪些数据是激活值，以及它们占用的显存大小。那么既然megatron sp的核心思想是借鉴tp把模型权重切分到多卡上的方式，把激活值也切分到各张卡上，那么现在我们就来讨论：哪些激活值可以被切开，又是怎么被切开的。

3.1 总体实现一览

我们先来看最终megatron sp的实现方案，先有个整体的印象，然后再做详细介绍。

首先，下图是改造前（仅有tp）的情况：

然后，下图是改造后（tp+sp的情况）：

不难发现，相比于tp，tp+sp保持了原始tp并行模块不变，只是针对Attn和MLP的输入/输出部分做了sp（序列并行处理）。接下来我们就具体来看sp是如何拆分的。

3.2 MLP层的tp+sp

（1）纯tp下的单卡激活值大小分析

对比以上两张图，我们可以计算纯tp下单张卡维护的激活值大小：

• 首先，对于layernorm前、后的激活值X，每张卡都是重复保存的，这里占存储

• 接着，进入mlp的tp计算，每张卡上单独计算一部分结果，这里激活值天然就是切开保存的，占存储

• 最终，计算完毕，由于tp会对输出结果先做allreduce，让每张卡上拿到完整的输出Z后再做dropout，所以dropout mask相关的激活值也是重复存储的，占大小

• 综上，纯tp情况下单卡的激活值大小

• 所以，为了降低单卡的激活值大小，我们的目标就是把这冗余的5bsh切分到多卡上。

（2）tp+sp下的单卡激活值大小分析

我们直接来看megatron sp是怎么解决这5bsh冗余的问题的：

• 首先，对于layernorm前的输入X，按照seq维度切开，每张卡上各自维护一部分的序列，我们称其为seq_chunk。在之所以按seq切分，是因为layernorm是在token维度做的，因此按照seq切开不影响各块卡上的layernorm计算。通过这种方式，我们把原来单卡存的激活值从****降到

• 同理，layernorm的输入都切开，那输出天然也是切开的，因此输出的激活值从****降到

• 接下来，准备进入正常的tp计算过程，这要求每张卡上拿到完整的输入。

• 的forward：做一次all-gather，拿到完整的输入。

• 接着，整个tp过程正常进行，每张卡上的激活值大小为

• tp过程结束，每张卡上分别产出结果Z1, Z2，他们的尺寸都为(b, s, h)，按往常tp的步骤，我们会做一次allreduce，让每张卡上拥有Z = Z1 + Z2这个结果。但是现在为了杜绝重复，我们不能这么做。

• 由于目前每张卡只对自己的seq_chunk负责，所以每张卡上只需要拿回自己负责的那个seq_chunk的完整的Z的结果就可以了，此时这个结果的尺寸为(b, s/t, h)

• 的forward：做一次reduce-scatter，拿到自己所维护的seq_chunk相关的完整的Z，尺寸为(b, s/t, h)

• 继续往前，每张卡可以独立做dropout，这时单卡维护的dropout mask激活值从降到

• 至此为止，我们已经把纯tp情况下和输入输出相关的、冗余的5bsh激活值都做了拆分。

• fwd结束，开始进入bwd。

• 的backward：做一次all-gather，让每张卡拿到完整的****结果。

• 按tp流程正常做bwd，直到来到图中的数据Y处。我们注意到Y来自g的forward过程中对layernorm的输出结果做all-gather后得到的，所以这里为了拿到Y以便让梯度能顺利传导，我们还需要做一次all-gather。为了降低这么额外通讯开销的影响，我们采取“边算边通讯的方式”。即在梯度还没传导到这里时，就开始做all-gather，这样就可以把这个通讯开销掩盖在计算时间中。

• 的backward：做一次reduce-scatter，让每张卡拿到完整的、自己所维护的那部分seq_chunk的****结果，这样接下去才能正常传导到layernorm。

（建议大家在阅读本节时，可以对照3.2（1）中mlp tp流程图来看，帮组大家更好理解为什么这里做all-gather，而那里又用reduce-scatter）

在tp+sp的加持下，我们把单卡上mlp层维护的激活值大小从降到了，同时共做了2次all-gather和2次reduce-scatter，和纯tp下mlp层做2次allreduce（假设采用了ring allreduce这类的优化办法）的通讯量一致。

3.3 Attention层的tp+sp

这里我就不赘述了，基本流程和mlp一样，最终单卡激活值大小降为(括号内表示纯tp情况下就已经切分开的激活值，括号外表示引入sp后额外切分开的激活值，依然也是layernorm的输入输出和最后一个dropout mask矩阵)，通讯量也是和纯tp维持一致。

3.4 总结

• 不做任何并行处理时，单卡上attn+mlp层的激活值大小

• 假设有t块卡，纯tp处理时，单卡上attn+mlp层的激活值大小，这里唯一没有被t除的10表示attn和mlp中和layernorm输入、输出以及最后一个dropout mask相关的部分。这一部分也是sp关注的优化点。

• 假设有t块卡，做tp+sp处理时，单卡上attn+mlp层的激活值大小为

四、Selective Activation Recomputation

目前为止，megatron通过tp+sp的方式，在tp的基础上，进一步按照seq维度拆分了Attn和MLP的输入、输出结果，使得在通讯量维持和纯tp一致的情况下，单卡所维护的激活值大小得到进一步下降。通过这种方式为单卡尽量腾出显存空间，使得我们可以存下所有的激活值。如此一来在bwd的过程中就不需要做重计算了，可以加快bwd的过程，提升模型整体的训练速度。

但是有时，即使用了sp+tp，我们的显存可能也存不下全部的激活值。同时，由于我们总是可以边算边通讯，因此可能没有必要一下子把全部的激活值都保存下来，例如通过一些优化，让模型还在上一层做通讯时，下一层就开始重计算（这里的层不是指模型的layer，是指bwd的时间轴，这里只是大概举个例子）。因此一种折衷的办法是：在使用tp+sp的前提下，只保留部分激活值，另一部分留做重计算。那什么样的激活值是我们不想保留的呢？自然是那些占显存大，但是本身计算量不大的激活值（例如Attention score相关的计算，softmax这种操作比起矩阵乘法来说就更快）。megatron管这种办法叫selective activation recomputation。

我们来看具体的操作方法：

• tp + selective activation recomputation：只使用tp和选择性重计算，这里只保留attention和mlp输入、输出相关的部分（也就是sp着重优化的部分），而把中间计算结果的全部激活值都舍弃了，到时候重计算。

• tp + sp + selective activation recomputation：这里选择把attention score softmax（占存储大，计算量小）相关的激活值舍弃掉，其余激活值全部保存

• Full activation recomputation：就是我们说的朴素的重计算，只保留一个最开始的输入。

几种方法的实验效果如下，可以发现tp+sp+选择重计算这种方案的整体表现最好：