Skip to content

低精度训练方法

Accelerate 通过 TransformersEngineMS-AMP 包提供了集成,以使用指定的支持硬件进行低精度训练。本文档将帮助你了解支持的硬件、如何配置你的 [Accelerator] 以利用低精度方法,以及训练时可以期待的结果。

FP8 训练的含义

要深入了解使用 PyTorch 和 Accelerate 进行 FP8 训练的细节,请参阅 concept_guide,了解为什么这可能会很困难。但本质上,与其使用 BF16 进行训练,模型训练的某些(或全部)方面可以使用 8 位而不是 16 位。挑战在于在不降低最终性能的情况下实现这一点。

这仅在特定的 NVIDIA 硬件上启用,具体包括:

  • 3000 系列之后的消费级显卡(如 4090)
  • 基于 Hopper 架构的 GPU(如 H100H200

这将导致内存使用量的减少(因为我们已经将某些训练部分所需的内存减少了一半),并且对于可以替换某些层为 FP8 支持层的较大模型,吞吐量 应该 也会增加。

配置 Accelerator

目前支持两种不同的 FP8 后端(TransformersEngineMS-AMP),每种后端具有不同的功能和配置。

要使用其中任何一种,可以使用相同的核心 API。只需将 mixed_precision="fp8" 传递给 [Accelerator],在 accelerate config 提示关于混合精度时选择,或在 config.yaml 文件的 mixed_precision 键中设置。

from accelerate import Accelerator
accelerator = Accelerator(mixed_precision="fp8")

默认情况下,如果你的环境中存在 MS-AMP,Accelerate 将自动将其用作后端。要自行指定(并自定义 FP8 混合精度设置的其他部分),你可以使用 [utils.FP8RecipeKwargs] 或在你的配置 yaml 文件中或在 accelerate launch 时进行指定:

from accelerate import Accelerator
from accelerate.utils import FP8RecipeKwargs
kwargs = [FP8RecipeKwargs(backend="msamp")]
# Or to specify the backend as `TransformersEngine` even if MS-AMP is installed
# kwargs = [FP8RecipeKwargs(backend="te")]
accelerator = Accelerator(mixed_precision="fp8", kwarg_handlers=kwargs)
mixed_precision: fp8
fp8_config:
  amax_compute_algorithm: max
  amax_history_length: 1024
  backend: TE
  fp8_format: HYBRID
  interval: 1
  margin: 0
  override_linear_precision: false
  use_autocast_during_eval: false

配置 MS-AMP

在两者中,MS-AMP 传统上更容易配置,因为它只有一个参数:优化级别。

目前在 Accelerate 集成中支持两个优化级别,"O1""O2"(使用字母 'o',而不是数字 0)。

  • "O1" 会将权重梯度和 all_reduce 通信转换为 8 位,而其余部分则使用 16 位。这减少了总体 GPU 内存使用并加快了通信带宽。
  • "O2" 还会将一阶优化器状态转换为 8 位,而二阶状态则为 FP16(目前仅支持 Adam 优化器)。这尽量减少最终的精度损失,并节省最多的潜在内存。

要指定优化级别,请通过设置 optimization_level 参数将其传递给 FP8KwargsHandler

from accelerate import Accelerator
from accelerate.utils import FP8RecipeKwargs
kwargs = [FP8RecipeKwargs(backend="msamp", optimization_level="O2")]
accelerator = Accelerator(mixed_precision="fp8", kwarg_handlers=kwargs)

或者在使用 accelerate launch 时通过 --fp8_backend=msamp --fp8_opt_level=O2

同样,你也可以在 config.yaml 中设置:

mixed_precision: fp8
fp8_config:
    backend: MSAMP
    opt_level: O2

配置 TransformersEngine

TransformersEngine 提供了更多选项来定制如何执行 FP8 计算。支持的参数及其含义的完整列表可以在 NVIDIA 的文档 中找到,但为了方便起见,这些参数也在 [FP8KwargsHandler 的文档字符串中进行了重述。

Accelerate 尝试设置合理的默认值,但自行探索和调整这些参数可能会带来更好的性能。

要使用它,请指定 backend="te" 并根据需要修改 kwarg 处理器中的任何参数:

from accelerate import Accelerator
from accelerate.utils import FP8RecipeKwargs
kwargs = [FP8RecipeKwargs(backend="te", ...)]
accelerator = Accelerator(mixed_precision="fp8", kwarg_handlers=kwargs)

或者在使用 accelerate launch 时通过 --fp8_backend=te ... 来设置。使用 accelerate launch --fp8_backend=te -h 查看相关参数。

同样,你也可以在 config.yaml 中设置:

mixed_precision: fp8
fp8_config:
    amax_compute_algorithm: max
    amax_history_length: 1024
    backend: TE
    fp8_format: HYBRID
    interval: 1
    margin: 0
    override_linear_precision: false
    use_autocast_during_eval: false

示例动物园

我们提供了使用 FP8 进行训练的示例,这些示例既包括使用 accelerate 的实现,也包括其底层实现,可在 accelerate 仓库中找到。 目前我们支持以下脚本示例:

  • 单 GPU
  • 分布式数据并行(多 GPU)
  • 完全分片数据并行
  • DeepSpeed ZeRO 1 至 3

了解更多请访问 这里

进一步阅读

要了解更多关于使用 FP8 进行训练的信息,请查阅以下资源: