Hugging Face Accelerate 两个后端的故事：FSDP 与 DeepSpeed

社区中有两个流行的零冗余优化器（Zero Redundancy Optimizer，ZeRO）算法实现，一个来自 DeepSpeed，另一个来自 PyTorch。Hugging Face Accelerate 对这两者都进行了集成并通过接口暴露出来，以供最终用户在训练/微调模型时自主选择其中之一。本文重点介绍了 Accelerate 对外暴露的这两个后端之间的差异。为了让用户能够在这两个后端之间无缝切换，我们在 Accelerate 中合并了一个精度相关的 PR 及一个新的概念指南。

FSDP 和 DeepSpeed 可以互换吗？

最近，我们尝试分别使用 DeepSpeed 和 PyTorch FSDP 进行训练，发现两者表现有所不同。我们使用的是 Mistral-7B 基础模型，并以半精度（bfloat16）加载。可以看到 DeepSpeed（蓝色）损失函数收敛良好，但 FSDP（橙色）损失函数没有收敛，如图 1 所示。

我们猜想可能需要根据 GPU 数量对学习率进行缩放，且由于我们使用了 4 个 GPU，于是我们将学习率提高了 4 倍。然后，损失表现如图 2 所示。

看起来，通过按 GPU 数量缩放 FSDP 学习率，已经达到了预期！然而，当我们在不进行缩放的情况下尝试其他学习率（1e-5）时，我们却又观察到这两个框架的损失和梯度范数特征又是趋近一致的，如图 3 所示。

精度很重要

在 DeepSpeed 代码库的 DeepSpeedZeroOptimizer_Stage3（顾名思义，处理第 3 阶段优化器分片）实现代码中，我们注意到 trainable_param_groups（可训参数组）被传入一个内部函数 _setup_for_real_optimizer，该函数会调用另一个名为 _create_fp32_partitions 的函数。正如其名称中的 fp32 所示，DeepSpeed 内部执行了精度上转，并在设计上始终将主权重保持为 fp32 精度。而上转至全精度意味着：同一个学习率，上转后的优化器可以收敛，而原始低精度下的优化器则可能不会收敛。前述现象就是这种精度差异的产物。

在 FSDP 中，在把模型和优化器参数分片到各 GPU 上之前，这些参数首先会被“展平”为一维张量。FSDP 和 DeepSpeed 对这些“展平”参数使用了不同的 dtype，这会影响 PyTorch 优化器的表现。表 1 概述了两个框架各自的处理流程，“本地？”列说明了当前步骤是否是由各 GPU 本地执行的，如果是这样的话，那么上转的内存开销就可以分摊到各个 GPU。

流程	框架	详情
模型加载（如 `AutoModel.from_pretrained(..., torch_dtype=torch_dtype)`）
准备，如创建“展平参数”	FSDP DeepSpeed	使用 `torch_dtype` 不管 `torch_dtype`，直接创建为 `float32`
优化器初始化	FSDP DeepSpeed	用 `torch_dtype` 创建参数用 `float32` 创建参数
训练步（前向、后向、归约）	FSDP DeepSpeed	遵循 fsdp.MixedPrecision 遵循 `deepspeed_config_file` 中的混合精度设置
优化器（准备阶段）	FSDP DeepSpeed	按需上转至 `torch_dtype` 所有均上转至 `float32`
优化器（实际执行阶段）	FSDP DeepSpeed	以 `torch_dtype` 精度进行以 `float32` 精度进行

表 1： FSDP 与 DeepSpeed 混合精度处理异同

几个要点：

正如 Accelerate 上的这一问题所述，混合精度训练的经验法则是将可训参数精度保持为 float32。
当在大量 GPU 上进行分片时，上转（如 DeepSpeed 中所做的那样）对内存消耗的影响可能可以忽略不计。然而，当在少量 GPU 上使用 DeepSpeed 时，内存消耗会显著增加，高达 2 倍。
FSDP 的 PyTorch 原生实现不会强制上转，其支持用户以低精度操作 PyTorch 优化器，因此相比 DeepSpeed 提供了更大的灵活性。

在 Accelerate 中对齐 DeepSpeed 和 FSDP 的行为

为了在 Accelerate 中更好地对齐 DeepSpeed 和 FSDP 的行为，我们可以在启用混合精度时自动对 FSDP 执行上转。我们为此做了一个 PR，该 PR 现已包含在 0.30.0 版本中了。

有了这个 PR，FSDP 就能以两种模式运行：

与 DeepSpeed 一致的混合精度模式
针对内存受限场景的低精度模式，如图 4 所示。

表 2 总结了两种新的 FSDP 模式，并与 DeepSpeed 进行了比较。

框架	模型加载 (`torch_dtype`)	混合精度	准备（本地）	训练	优化器（本地）
FSDP（低精度模式）	`bf16`	缺省（无）	`bf16`	`bf16`	`bf16`
FSDP（混合精度模式）	`bf16`	`bf16`	`fp32`	`bf16`	`fp32`
DeepSpeed	`bf16`	`bf16`	`fp32`	`bf16`	`fp32`

表 2：两种新 FSDP 模式总结及与 DeepSpeed 的对比

吞吐量测试结果

我们使用 IBM Granite 7B 模型（其架构为 Meta Llama2）进行吞吐量比较。我们比较了模型的浮点算力利用率 (Model Flops Utilization，MFU) 和每 GPU 每秒词元数这两个指标，并针对 FSDP（完全分片）和 DeepSpeed（ZeRO3）两个场景进行了测量。

如上文，我们使用 4 张 A100 GPU，超参如下：

batch size 为 8
模型加载为 torch.bfloat16
使用 torch.bfloat16 混合精度

表 3 表明 FSDP 和 DeepSpeed 的表现类似，这与我们的预期相符。

随着大规模对齐技术（如 InstructLab 及 GLAN）的流行，我们计划对结合各种提高吞吐量的方法（如，序列组装 + 4D 掩码、torch.compile、选择性 checkpointing）进行全面的吞吐量对比基准测试。

框架	每 GPU 每秒词元数	每步耗时（s）	浮点算力利用率（MFU）
FSDP（混合精度模式）	3158.7	10.4	0.41
DeepSpeed	3094.5	10.6	0.40

表 3：四张 A100 GPU 上 FSDP 和 DeepSpeed 之间的大致吞吐量比较。

最后的话

我们提供了新的概念指南以帮助用户在两个框架之间迁移。该指南可以帮助用户厘清以下问题：

如何实现等效的分片策略？
如何进行高效的模型加载？
FSDP 和 DeepSpeed 中如何管理权重预取？
与 DeepSpeed 对等的 FSDP 封装是什么？

我们在 Accelerate 中考虑了配置这些框架的各种方式:

使用 accelerate launch 从命令行配置
从 Accelerate 提供给 DeepSpeed 和 FSDP 的各种 Plugin 类中配置

Accelerate 使得在 FSDP 和 DeepSpeed 之间切换非常丝滑，大部分工作都只涉及更改 Accelerate 配置文件（有关这方面的说明，请参阅新的概念指南）。

除了配置变更之外，还有一些如检查点处理方式的差异等，我们一并在指南中进行了说明。

本文中的所有实验都可以使用原始 Accelerate 问题中的代码重现。

我们计划后续在更大规模 GPU 上进行吞吐量比较，并对各种不同技术进行比较，以在保持模型质量的前提下更好地利用更多的 GPU 进行微调和对齐。

致谢

本工作凝聚了来自多个组织的多个团队的共同努力。始于 IBM 研究中心，特别是发现该问题的 Aldo Pareja 和发现精度差距并解决该问题的 Fabian Lim。Zach Mueller 和 Stas Bekman 在提供反馈和修复 accelerate 的问题上表现出色。Meta PyTorch 团队的 Less Wright 对有关 FSDP 参数的问题非常有帮助。最后，我们还要感谢 DeepSpeed 团队对本文提供的反馈。

英文原文: https://hf.co/blog/deepspeed-to-fsdp-and-back

原文作者: Yu Chin Fabian, aldo pareja, Zachary Mueller, Stas Bekman

译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。