Hugging Face Accelerate 两个后端的故事：FSDP 与 DeepSpeed
本文也提供英文版本 English。
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 | 本地？ | 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:
🤗 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。
