رفتن به محتوا
بایت

00001011

فقط یک GPU، احساس ناکافی بودن

مقایسهٔ روش‌های موازی‌سازی داده، تنسور، پایپ‌لاین، دنباله، کانتکست و متخصص برای آموزش و اجرای مدل‌های بزرگ روی چند GPU.

۱۲ دقیقه مطالعه

امروزه می‌بینیم که در دنیای و ، در میان مدل‌های وزن‌باز، گاهی مدل‌های غول‌پیکری با چند صد میلیارد یا حتی چند تریلیون پارامتر نیز منتشر می‌شوند؛ شاید نتوانیم با یک واحد از منابع محاسباتی موجودمان -مثل GPU-، آن‌ها را بارگذاری و fine-tune کنیم یا برای inference از آن‌ها استفاده کنیم.

اینجاست که استفاده از چندین GPU ضروری می‌شود. حتی گاهی اندازهٔ مدل به این بزرگی نیست، اما می‌خواهیم برای تجربهٔ بهتر کاربری، نرخ پردازش درخواست‌ها را افزایش دهیم یا برای batch inference در یک پروژه، سرعت را افزایش دهیم.

در این متن می‌خواهم به برخی از مهم‌ترین روش‌های محاسبات Multi-GPU اشاره کنم. برای درک بهتر تفاوت این روش‌ها، ابتدا باید به این پرسش پاسخ بدهیم: «در روش x، دقیقاً چه چیزی را بین GPU‌ها تقسیم می‌کنیم؟»

متداول‌ترین پاسخ‌هایی که می‌توان داد، این‌ها هستند: خود داده‌ها، مجموعهٔ لایه‌های مدل، تنسورهای هر لایه از مدل و یا بخش‌های مختلف یک دنباله مثل متن (دنباله‌ای از توکن‌ها).

پیش از شروع

در محاسبات Multi-GPU، معمولاً هر GPU توسط یک مدیریت می‌شود و هر فرایند هم یک شناسه به نام Rank دارد. مثلاً در یک اجرا با چهار GPU، معمولاً Rank‌های صفر تا سه داریم.

این فرایندها لازم دارند در طول آموزش و inference، مرتب با یکدیگر داده ردوبدل کنند. پنج عملیات ارتباطی مهمی را که در روش‌ها هم خواهیم دید، در ادامه آورده‌ام.

  • All-Reduce — هر GPU مقدارهایی مثل گرادیان‌های محاسبه‌شده روی داده‌های خودش را دارد؛ این مقادیر با عملیات جمع یا میانگین، ترکیب می‌شوند و نتیجهٔ نهایی دوباره به همهٔ GPU‌ها می‌رسد.
  • All-Gather — هر GPU فقط بخشی از داده را نگه داشته است و با این عملیات، همهٔ بخش‌ها تجمیع می‌شوند تا هر GPU به طور موقت یک نسخهٔ کامل از دادهٔ همهٔ GPU‌ها را داشته باشد.
  • Reduce-Scatter — ابتدا داده‌های GPU‌ها را با هم ترکیب می‌کند و سپس نتیجه را دوباره به بخش‌هایی تقسیم می‌کند و هر بخش را فقط به یک GPU ارسال می‌کند.
  • Point-to-Point — خروجی هر بخش از یک GPU به یکی از GPU‌های دیگر فرستاده می‌شود.
  • All-to-All — هر GPU دادهٔ خود را به چند بخش تقسیم می‌کند و هر بخش را برای GPU مقصد مربوطه می‌فرستد؛ در پایان نیز، هر GPU مجموعه‌ای از بخش‌ها را از همهٔ GPU‌های دیگر دریافت می‌کند.

خالی از لطف نیست بگوییم که این ارتباط فرایندها هزینه دارد و به همین دلیل، نوع اتصال GPU‌ها -مثلاً PCIe در برابر NVLink یا NVSwitch- می‌تواند تأثیر زیادی بر کارایی واقعی هر یک از این روش‌ها داشته باشد.

۱. موازی‌سازی داده (DP)

فرض کنید چهار GPU داریم و مدل ما به‌راحتی روی هر GPU جا می‌گیرد. در این روش، ما یک نسخهٔ کامل از مدل را روی هر GPU قرار می‌دهیم و batch‌های دادهٔ خود را میان آن‌ها تقسیم می‌کنیم تا عملیات forward به طور جداگانه روی آن‌ها اجرا شود.

اگر در حال آموزش یا fine-tune مدل باشیم، مرحلهٔ backward هر کدام نیز جداگانه انجام می‌شود تا گرادیان‌ها مشخص شوند و سپس با استفاده از All-Reduce، گرادیان‌ها با یکدیگر تجمیع می‌شوند و حاصل به هر GPU داده می‌شود تا نسخه‌های مدل با گرادیان یکسان به‌روز شوند و عملاً با یک نسخهٔ واحد، امکان ادامهٔ آموزش فراهم می‌شود.

تقسیم دستهٔ داده بین GPUها و همگام‌سازی گرادیان‌ها

خب، کاربرد این روش چیست؟ درست حدس زدید، این روش مشکل کمبود حافظه را حل نمی‌کند، یعنی اگر کل مدل روی هر GPU جا نشود، کاری از دست این روش ساخته نیست؛ اما می‌تواند توان پردازشی بیشتری در اختیارمان بگذارد تا نمونه‌های بیشتری را در واحد زمان پردازش کنیم.

۲. بهبود موازی‌سازی داده

یکی از مشکل‌های روش قبلی این است که همه‌چیز مدل -پارامترها، گرادیان‌ها و وضعیت‌های - روی تمام GPU‌ها تکرار می‌شود و این می‌تواند موجب هدر‌رفت بخش زیادی از حافظه شود.

یک دسته از راهکارهای موجود برای این چالش، روش‌هایی مثل (راهکار لایبرری DeepSpeed) و (راهکار خود PyTorch) هستند. ایدهٔ کلی‌شان این است که به‌جای ذخیرهٔ کامل موارد بالا روی هر GPU، آن‌ها را اصطلاحاً بین GPU‌ها shard یا تقسیم کنیم و هر GPU فقط بخشی از آن‌ها را نگه دارد؛ هنگام اجرای هر بخش از مدل، پارامترهای لازم به طور موقت با All-Gather بازسازی می‌شوند و گرادیان‌ها پس از محاسبه با Reduce-Scatter تجمیع و میان GPUها تقسیم می‌شوند.

با این وجود، این روش‌ها همچنان نوعی موازی‌سازی داده محسوب می‌شوند؛ چون هر GPU بخش متفاوتی از batch را پردازش می‌کند و از نظر منطقی همان مدل را روی داده‌های خودش اجرا می‌کند. تقسیم‌بندی فقط نحوهٔ نگه‌داری و تبادل وضعیت مدل را تغییر می‌دهد.

در مورد ZeRO، سه حالت کلی قابل‌استفاده هستند: ZeRO-1 فقط وضعیت بهینه‌ساز را تقسیم می‌کند، ZeRO-2 گرادیان‌ها را هم تقسیم می‌کند و ZeRO-3 علاوه‌بر آن‌ها پارامترها را هم تقسیم می‌کند. FSDP نیز چند حالت مختلف دارد که در حالت fully sharded، شباهت زیادی به ZeRO-3 دارد.

۳. موازی‌سازی تنسور (TP)

فرض کنید در یک مدل با معماری ترنسفورمر، یک ماتریس وزن بسیار بزرگ داریم و محاسبه‌ای به صورت Y=XW وجود دارد. ایدهٔ این روش این است که خود ماتریس وزن W را بین چند GPU تقسیم کنیم. مثلاً هر GPU بخشی از ستون‌ها یا سطرهای ماتریس را نگه می‌دارد و فقط قسمت مربوط به خودش از ضرب ماتریسی را انجام می‌دهد؛ سپس خروجی‌های حاصل با عملیات ارتباطی مناسب کنار هم قرار می‌گیرند یا تجمیع می‌شوند تا Y نهایی را تشکیل دهند.

تقسیم ماتریس وزن و گردآوری خروجی‌ها در موازی‌سازی تنسور

در مدل‌های ترنسفورمری، پروجکشن‌های در مکانیزم و همچنین لایه‌های می‌توانند میان چند GPU تقسیم شوند.

همان‌طور که گفته شد، موازی‌سازی داده به‌تنهایی برای مدل‌هایی که روی یک GPU جا نمی‌شوند، کارساز نبود. اما مزیت اصلی موازی‌سازی تنسور این است که می‌توان مدلی با لایه‌های بسیار بزرگ را روی چند GPU پخش کرد. البته هزینهٔ این قابلیت، ارتباط زیاد بین GPU‌هاست؛ چون تقریباً در هر لایه نیاز به تبادل داده وجود دارد. به همین دلیل، این روش روی GPU‌هایی که اتصال سریع مثل NVLink دارند، بسیار بهتر عمل می‌کند.

۴. موازی‌سازی پایپ‌لاین (PP)

شیوه‌ای دیگر از محاسبات Multi-GPU که می‌تواند برای مدل‌های عظیم مفید واقع شود، موازی‌سازی پایپ‌لاین است. در این روش، به‌جای شکستن ماتریس وزن هر لایه، مجموعهٔ لایه‌ها را بین GPU‌ها تقسیم می‌کنیم. مثلاً در یک مدل ترنسفورمری چهل‌لایه‌ای، GPU اول می‌تواند لایه‌های صفر تا ۹ را اجرا کند، GPU دوم لایه‌های ۱۰ تا ۱۹ و همین‌طور تا آخر. خروجی هر بخش معمولاً با یک ارتباط Point-to-Point به GPU مسئول بخش بعدی فرستاده می‌شود؛ در مرحلهٔ backward هم گرادیان‌ها در جهت عکس بین بخش‌ها منتقل می‌شوند.

چالش این روش این است که وقتی می‌خواهیم یک batch را یک‌جا از این پایپ‌لاین عبور دهیم، داده‌ها باید به ترتیب مشخص‌شده از همهٔ GPU‌ها عبور کنند و طبیعتاً وقتی داده‌ها در حال پردازش در یکی از GPU‌ها هستند، GPU‌های دیگر بی‌کارند. برای حل این مشکل می‌توان یک batch را به چند micro-batch تقسیم کرد و به‌ترتیب، به مدل ورودی داد؛ حالا وقتی GPU دوم مشغول پردازش micro-batch اول است، GPU اول می‌تواند کار روی micro-batch دوم را شروع کند و بی‌کار نماند؛ درست مثل ایدهٔ پایپ‌لاین دستورات در معماری کامپیوتر!

زمان‌بندی دسته‌های کوچک داده در مراحل موازی‌سازی پایپ‌لاین

۵. موازی‌سازی دنباله و کانتکست

گاهی مشکل اصلی اندازهٔ مدل نیست، بلکه طول ورودی است. در مدل‌های ترنسفورمری هرچه دنباله (مثلاً متن) طولانی‌تر شود، حافظهٔ موردنیاز برای افزایش می‌یابد و هزینهٔ محاسبات توجه نیز به شدت رشد می‌کند.

در ، بعضی محاسباتی که روی هر توکن تقریباً مستقل انجام می‌شوند -مثل LayerNorm و Dropout- در امتداد بُعد دنباله تقسیم می‌شوند. مثلاً اگر ۸۰۰۰ توکن و چهار GPU داشته باشیم، هر GPU می‌تواند فعال‌سازی مربوط به حدود ۲۰۰۰ توکن را نگه دارد و همان بخش را پردازش کند. هدف اصلی این روش، کاهش حافظهٔ فعال‌سازی است؛ در این حالت، خودِ توجه، لزوماً به طور کامل بین GPU‌ها تقسیم نشده است.

در ، تقسیم عمیق‌تر است: خود توکن‌های کانتکست و معمولاً کلیدها و مقادیر توجه بین GPU‌ها پخش می‌شوند. در همان مثال بند قبل، هر GPU دو هزار توکن را در اختیار دارد، اما کوئری‌های آن باید بتوانند به توکن‌های سه GPU دیگر هم توجه کنند. بنابراین GPU‌ها باید اطلاعات کلید و مقدار را با یکدیگر مبادله کنند. اگر علاقه‌مندید، می‌توانید روش‌هایی مثل Ring Attention و DeepSpeed-Ulysses را برای توزیع توجه روی دنباله‌های بسیار بلند مطالعه کنید. البته دقت کنید که نام‌گذاری SP و CP در همهٔ منابع کاملاً یکسان نیست.

تقسیم توکن‌های کانتکست و مبادلهٔ کلیدها و مقادیر توجه

به طور خلاصه، SP بیشتر برای کم‌کردن حافظهٔ فعال‌سازی است، درحالی‌که CP خودِ توجه روی کانتکست‌های بسیار بلند را بین چند GPU توزیع می‌کند.

۶. موازی‌سازی متخصص (EP)

ابتدا بیایید نگاهی به تعریف مدل‌های بیندازیم. در معماری MoE، به‌جای این‌که همهٔ ورودی‌ها از یک مسیر محاسباتی یکسان عبور کنند، چندین شبکهٔ کوچک‌تر یا «متخصص» داریم و یک روتر مشخص می‌کند هر توکن توسط کدام متخصص یا متخصص‌ها پردازش شود. به این ترتیب، مدل می‌تواند تعداد پارامتر بسیار زیادی داشته باشد، بدون این‌که برای هر توکن لازم باشد همهٔ آن‌ها فعال باشند. این معماری اجازه می‌دهد متخصص‌ها را بین GPU‌های مختلف تقسیم کنیم.

فرض کنید ۸ متخصص و چهار GPU داریم؛ هر GPU دو متخصص را نگه می‌دارد. روتر برای هر توکن امتیاز متخصص‌ها را محاسبه می‌کند. مثلاً ممکن است توکن اول به متخصص‌های ۲ و ۷ و توکن دوم به متخصص‌های ۵ و ۶ فرستاده شوند. چون این متخصص‌ها ممکن است روی GPU‌های دیگری باشند، توکن‌ها با عملیاتی مثل All-to-All به GPU مالک متخصص فرستاده می‌شوند. آن GPU محاسبهٔ متخصص را انجام می‌دهد و خروجی دوباره به محل اصلی توکن بازگردانده می‌شود.

مسیریابی توکن‌ها به متخصص‌های توزیع‌شده میان GPUها

چالش مهم این روش است. اگر روتر تعداد زیادی توکن را به یک متخصص خاص بفرستد، GPU آن تبدیل به گلوگاه می‌شود، درحالی‌که GPU‌های دیگر ممکن است ظرفیت خالی داشته باشند.

پیشنهاد سرآشپز: ترکیب روش‌ها

در مدل‌های بسیار بزرگ معمولاً یک نوع موازی‌سازی به‌تنهایی کافی نیست و چند روش روی ابعاد مختلف با هم ترکیب می‌شوند. مثلاً اگر تنظیمات [DP=2, TP=4, PP=3] را داشته باشیم، در مجموع به ۲۴=۳×۴×۲ تا GPU نیاز داریم. مدل ابتدا از نظر عمق به سه بخش برای پایپ‌لاین تقسیم می‌شود؛ داخل هر بخش، محاسبات هر لایه بین چهار GPU با TP پخش می‌شود؛ سپس کل این ساختار یک‌بار دیگر تکرار می‌شود تا دو رپلیکای موازی برای داده‌ها داشته باشیم که batch‌های متفاوتی را پردازش می‌کنند.

در واقع، یک GPU می‌تواند هم‌زمان عضو چند گروه ارتباطی باشد: مثلاً با سه GPU دیگر برای TP همکاری کند، با بخش‌های مجاورش در پایپ‌لاین داده ردوبدل کند و در عین حال با رپلیکای متناظر خودش در گروه DP‌ها، گرادیان‌ها را هماهنگ کند.

حتی در مدل‌های بزرگ‌تر، CP و EP هم می‌توانند به این ترکیب اضافه شوند. بنابراین طراحی یک سیستم Multi-GPU فقط انتخاب یک روش نیست؛ مسئلهٔ اصلی این است که GPU‌ها را چگونه میان این ابعاد تقسیم کنیم و کدام ارتباط‌ها را روی سریع‌ترین لینک‌های سخت‌افزاری قرار دهیم.

تا اینجا چند روش Multi-GPU را دیدیم؛ حالا می‌خواهم دو روش برای افزایش کارایی inference معرفی کنم که در کنار این روش‌ها می‌آیند و امکان استفادهٔ مؤثرتر از ظرفیت GPU‌ها را برایمان فراهم می‌کنند.

بهینه‌سازی inference با PagedAttention

مدل هنگام تولید توکن‌ها، کلیدها و مقادیر، توجه مربوط به توکن‌های قبلی را در KV Cache نگه می‌دارد تا مجبور نباشد در هر مرحله دوباره آن‌ها را محاسبه کند. مشکل این است که با افزایش تعداد درخواست‌ها و طول متن، این cache می‌تواند بخش بزرگی از VRAM را اشغال کند.

مشکل دیگر این است که در روش‌های معمول، برای هر درخواست باید فضای حافظهٔ نسبتاً بزرگ و پیوسته‌ای در نظر گرفته شود، درحالی‌که از قبل دقیقاً نمی‌دانیم هر درخواست در نهایت به چه مقدار حافظه نیاز خواهد داشت؛ در نتیجه بخشی از حافظه ممکن است بی‌استفاده بماند یا تکه‌تکه شود. PagedAttention به‌جای تخصیص یک فضای بزرگ و پیوسته برای KV Cache هر درخواست، آن را به بلوک‌های کوچک‌تر تقسیم می‌کند که می‌توانند در نقاط غیرپیوستهٔ حافظه قرار بگیرند؛ ایده‌ای شبیه Paging در حافظهٔ مجازی.

این کار استفاده از حافظه را بهینه می‌کند و اجازه می‌دهد درخواست‌های بیشتری هم‌زمان در حافظه نگه داشته شوند.

این روش که بیشتر به واسطهٔ لایبرری vLLM شناخته‌شده است، جایگزین روش‌هایی مثل TP یا DP نیست، بلکه در کنار آن‌ها استفاده می‌شود.

مثلاً ممکن است یک مدل با موازی‌سازی تنسور روی چند GPU اجرا شود و در عین حال، هر بخش از سیستم KV Cache مربوط به خودش را به صورت بلوکی مدیریت کند. vLLM نیز علاوه‌بر این مدیریت حافظه، از روش‌های مختلف Multi-GPU پشتیبانی می‌کند.

بهینه‌سازی inference با Continuous Batching

یکی دیگر از مشکلات سرویس‌دهی LLM‌ها این است که درخواست‌ها طول یکسانی ندارند. اگر چند درخواست را در یک batch ثابت قرار دهیم، ممکن است یک درخواست بعد از ۲۰ توکن تمام شود، درحالی‌که درخواست دیگری هنوز صدها توکن برای تولید داشته باشد. اگر تا پایان کل batch صبر کنیم، بخشی از ظرفیت GPU عملاً هدر می‌رود.

در این روش، batch ثابت نیست؛ درخواست‌های تمام‌شده از batch خارج می‌شوند و درخواست‌های جدید می‌توانند در حین اجرا جای آن‌ها را بگیرند. در نتیجه GPU به‌جای انتظار برای تمام‌شدن طولانی‌ترین درخواست، همواره مجموعه‌ای از درخواست‌های فعال را پردازش می‌کند. هدف اصلی این روش افزایش بهره‌برداری و نرخ پردازش در سرویس‌دهی است و vLLM آن را در کنار بقیهٔ روش‌های بهینه‌سازی inference به کار می‌گیرد.

این روش هم اساساً Multi-GPU نیست. می‌توان آن را روی یک GPU نیز استفاده کرد، اما در یک سیستم Multi-GPU هم مکمل روش‌های موازی‌سازی است؛ مثلاً چند رپلیکای مدل می‌توانند هرکدام مجموعه‌ای از درخواست‌ها را با این روش پردازش کنند، یا یک مدل با TP روی چند GPU، درخواست‌های موجود در batch پویا را به صورت مشترک اجرا کند.

در نهایت، در روش‌های Multi-GPU پرسش اصلی این است که کدام بخش از داده، مدل یا محاسبه را میان GPU‌ها تقسیم کنیم و در عین حال، هزینهٔ ارتباط بین آن‌ها را تا حد ممکن پایین نگه داریم. اما باید توجه کرد که استفادهٔ بهتر از GPU‌ها فقط به موازی‌سازی محدود نمی‌شود؛ مدیریت بهتر حافظه و زمان‌بندی محاسبات هم نقش مهمی در استفادهٔ مؤثرتر از منابع دارند.

مطالب مرتبط