通过 0/1 Adam 最大化大规模训练的通信效率

注意！ 1) 基于 NCCL 的实现需要 PyTorch >= 1.8（以及当您拥有 64 个或更多 GPU 时，NCCL >= 2.8.3）。请参阅以下详细信息。2) 尽管 0/1 Adam 与 FP16 和 FP32 兼容，但目前我们只验证了混合精度/FP16 训练下的收敛性。3) 目前，基于 MPI 的实现与流水线并行不兼容。4) 频繁的检查点加载可能会损害 0/1 Adam 的收敛性。请参阅以下详细信息。

在本教程中，我们介绍了 DeepSpeed 的 0/1 Adam 优化器，它可以提高通信受限集群上的模型训练速度，尤其是对于通信密集型大型模型。例如，它能够将 BERT-large 预训练的整体通信量减少高达 26 倍，而不会影响端到端模型精度。与 1 比特 Adam 优化器相比，0/1 Adam 提供了一种更灵活的方式，通过自适应方差状态冻结来使用压缩通信。此外，它允许计算节点使用一种称为 1 比特同步的技术，在训练期间跳过通信轮次，而不会影响收敛速度。我们有一篇论文提供了技术细节，包括算法、系统实现和评估。

为了说明 0/1 Adam 优化器的优势和用法，我们使用 BERT 预训练任务作为示例。有关此任务的更多详细信息，请参阅教程。

1. 概述

1.1 安装 DeepSpeed 的先决条件

如果您还没有 DeepSpeed 存储库的副本，请立即克隆它并签出包含 BERT 预训练示例的 DeepSpeedExamples 子模块。

git clone https://github.com/microsoft/DeepSpeed
cd DeepSpeed
git submodule update --init --recursive
cd DeepSpeedExamples/

1.2 0/1 Adam 的先决条件

1.2.1 基于 NCCL 的实现

在 DeepSpeed 中，我们介绍了一种使用 PyTorch 分布式 NCCL 后端的压缩通信系统实现。与下面的基于 MPI 的实现相比，此实现提供了更好的性能和可用性。因此，我们强烈建议用户选择此实现。

注意！ 此基于 NCCL 的实现需要 PyTorch >= 1.8。当您拥有 64 个或更多 GPU 时，它还需要 NCCL >= 2.8.3，以避免某些 NCCL 运行时错误。目前（2021/03/16），NCCL 2.8.3 未被 PyTorch 正式支持。我们使用的解决方案是通过LD_PRELOAD来侵入 NCCL 2.8.3：1) 安装 NCCL 2.8.3。这在我们 CUDA 11 系统上有效：apt-get install -y libnccl2=2.8.3-1+cuda11.0 libnccl-dev=2.8.3-1+cuda11.0。2) 将LD_PRELOAD设置为库路径。这在我们这里有效：LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libnccl.so.2.8.3。要确认LD_PRELOAD是否正常工作，您可以在 NCCL 日志中查看它使用的版本（如果您有NCCL_DEBUG=INFO），它应该显示：NCCL 版本 2.8.3+cuda11.0。

1.2.2 基于 MPI 的实现

对于此实现，我们依赖于消息传递接口 (MPI) 以实现高级通信原语。

我们在 DeepSpeed docker 镜像中打包了必要的依赖项。但是，如果您使用的是其他构建系统，请在您的系统上安装 MPI 和 mpi4py。要安装先决条件，请运行

pip install deepspeed[1bit_adam]

我们已经测试了使用MVAPICH2-GDR 库的 CUDA 感知 MPI 通信。但是，任何 CUDA 感知通信库（包括OpenMPI）都应该与这些示例正常工作。

使用deepspeed 启动器的 0/1 Adam 的示例启动命令如下

deepspeed --launcher=[mvapich|openmpi] script.py

请注意，对于基于 MPI 的 0/1 Adam 实现，使用deepspeed 启动器时需要--launcher=[mvapich|openmpi] 标志。

或者，可以使用标准 mpirun 启动器，如下所示

mpirun -np [num processes] -ppn [num GPUs on each node] -hostfile [hostfile] [MPI flags] python [training_script.py]

1.2.3 压缩实现

此后端提供了一种方法来抽象出单比特优化器的通用部分，并使用 DeepSpeed 自定义操作构建器实现加速器相关的部分。要使用此CompressedBackend，您应该确保您当前的加速器支持PackbitsBuilder，以便可以加载它来执行 float 和 Byte 数据类型之间的高性能打包和解包，这在单比特算法中被利用。示例可以在Deepspeed/op_builder/xpu/packbits.py中找到。此方法不需要基于 NCCL 或 MPI 的通信库。它将自动使用您在deepspeed/comm中选择的加速器默认通信库。

1.3 0/1 Adam 算法

可以在我们的论文中看到 0/1 Adam 算法的详细描述。

1.4 0/1 Adam 的配置

可以通过设置以下优化器配置选项来使用 0/1 Adam 功能。下面显示了一个示例 json 配置文件。

{
  "train_batch_size": 4096,
  "train_micro_batch_size_per_gpu": 16,
  "optimizer": {
    "type": "ZeroOneAdam",
    "params": {
      "lr": 1e-3,
      "weight_decay": 0.01,
      "bias_correction": false,
      "var_freeze_step": 1000,
      "var_update_scaler": 16,
      "local_step_scaler": 1000,
      "local_step_clipper": 16,
      "cuda_aware": false,
      "comm_backend_name": "nccl"
    }
  },
  "gradient_clipping": 1.0,
  "fp16": {
    "enabled": true,
    "loss_scale": 0,
    "initial_scale_power": 16
  }
}

请注意已添加以支持 0/1 Adam 功能的新参数var_freeze_step、var_update_scaler、local_step_scaler、local_step_clipper、cuda_aware 和comm_backend_name

var_freeze_step 是更新方差的最新步骤。使用0/1 Adam 论文中的符号，它表示 $\max{i i \in \mathcal{T}_v}$。请注意，这与 1 比特 Adam 中的freeze_step 不同。var_freeze_step 通常是学习率预热阶段的最后一步，因此不需要调整。请注意，此超参数是可选的。实际上，我们可以通过将其设置为足够大的数字（大于步骤总数）来避免调整此参数。之后，0/1 Adam 仍然可以享受非平凡的通信减少，而不会影响收敛速度。

var_update_scaler 是更新方差的间隔。请注意，方差更新策略遵循指数规则。形式上，如果我们将 $k_j$ 表示为发生第 $j$ 次方差更新的步骤，那么它遵循 $k_{j+1} - k_j = 2\cdot\exp{\lfloor j/\kappa\rfloor}$（请参阅0/1 Adam 论文以获得详细说明），而var_update_scaler 表示该表达式中的 $\kappa$ 因子。实际上，我们发现它的默认值（16）能够很好地适用于大多数任务，包括 BERT-Base/Large 预训练、GPT 预训练和 ImageNet 训练。

local_step_scaler 和local_step_clipper 是 0/1 Adam 中基于学习率的本地步策略的两个超参数。形式上，如果我们将 $k_j$ 表示为发生第 $j$ 次同步的所有工作程序之间的步骤，那么它遵循 $k_{j+1} - k_j = 2\cdot\exp{\min(\lfloor j/\alpha\rfloor, \beta )}$（请参阅0/1 Adam 论文以获得详细说明）。按照这些符号，local_step_scaler 和local_step_clipper 分别表示 $\alpha$ 和 $\beta$。非正式地，local_step_scaler 决定同步的频率，而local_step_clipper 表示 0/1 Adam 可以使用的最大本地步间隔。学习率策略是 0/1 Adam 中使用的默认策略，并且local_step_scaler 的值可以预先计算（请参阅0/1 Adam 论文第 6 节）。我们还可以通过设置这两个超参数来轻松地构建其他策略，例如通过设置local_step_scaler=1 和local_step_clipper=constant 来设置恒定的本地步间隔策略。

cuda_aware 用于基于 MPI 的实现，以指示底层 MPI 库是否支持 CUDA 感知通信。此功能仅在具有 InfiniBand 互连和 CUDA 感知 MPI 库的系统上受支持，例如MVAPICH2-GDR 或使用 CUDA 感知支持构建的 OpenMPI。将cuda_aware 设置为 False 允许在基于以太网的系统上进行训练。但是，通信将使用发送方以及接收方在通信之前和之后在 CPU 和 GPU 缓冲区之间进行内存复制。

comm_backend_name 用于指示要使用哪个后端实现。您可以通过将comm_backend_name 设置为 “nccl”、“mpi” 或 “compressed” 来选择 NCCL、基于 MPI 的和压缩实现。使用基于 NCCL 的实现时，无需设置cuda_aware。

1.4.1 梯度始终为零的参数的动量掩码

由于 1 位压缩无法表示精确的零，如果参数在训练过程中具有恒定的零梯度，则压缩误差将在动量中不断累积。例如，对于 BERT 预训练的序列长度为 128 的情况，bert.embeddings.position_embeddings.weight 在其梯度和动量中第 129 行到第 512 行具有恒定的零，因为模型只学习到序列长度为 128，而模型支持的序列长度为 512。因此，在 0/1 Adam 中，我们添加了动量掩码的支持，以便用户可以指定那些在梯度中具有恒定精确零的参数。请参阅示例脚本，了解如何配置此动量掩码。需要注意的是，我们不会使用检查点中保存的动量掩码，因为此掩码可能会在训练过程中发生改变（例如，BERT 序列长度为 128 和 512 需要不同的掩码）。因此，您必须在每次训练脚本中提供此掩码。

注意！ 0/1 Adam 依赖于压缩误差补偿机制，以在压缩阶段维持收敛速度。在加载检查点时，除了将压缩误差重置为 1 位 Adam，我们还需要重置本地步长缓冲区。因为如果检查点由不同数量的节点（GPU）加载，本地步长缓冲区可能会无法捕获训练动态。

2. 使用 0/1 Adam 进行 BERT 预训练

有关数据下载和预处理，请参阅 BERT 预训练教程。

2.1 使用 DeepSpeed 和 0/1 Adam 运行预训练

我们在 DeepSpeedExamples/bing_bert/01_adam/ 下提供示例脚本。有 3 组脚本，分别对应基于 NCCL 的实现、基于 MPI 在以太网系统上的实现，以及基于 MPI 在 InfiniBand 系统上的实现。对于基于 MPI 的实现，我们提供了使用 DeepSpeed 或 mpirun 启动时的示例脚本。

2.2 使用 DeepSpeed 和启用的 0/1 Adam 进行 BERT 预训练的配置

文件 deepspeed_bsz4k_01adam_config_seq128_*.json 和 deepspeed_bsz4k_01adam_config_seq512_*.json 为用户提供了根据批大小、微批大小、优化器、学习率和其他参数来指定 DeepSpeed 选项的能力。在这些文件中，我们包含了调整后的超参数，以便在我们的论文中再现实验。

2.3 BERT 预训练的性能结果

性能结果可以在我们的论文中看到。

2.4 GLUE 微调

我们还提供了针对 BERT 预训练检查点的微调脚本，用于在 GLUE 任务上进行微调。脚本位于 DeepSpeedExamples/BingBertGlue 中。文件 glue_bert_base.json 和 glue_bert_large.json 为用户提供了根据 BERT-base 和 BERT-large 检查点的微批大小来指定 DeepSpeed 选项/参数的能力。目前，我们使用 Adam 作为 GLUE 微调的默认优化器，因为微调任务通常使用小批大小（~32）并且不需要大规模系统。 run_glue_bert_base_finetune.sh 和 run_glue_bert_large_finetune.sh 提供了用于启动微调任务的脚本，我们可以在其中修改任务名称、时期数、模型等变量。请注意，要启动微调，我们必须指定检查点的路径，例如：

bash run_glue_bert_base_finetune.sh <path to checkpoint>

0/1 Adam 的特定 GLUE 分数和超参数包含在我们论文表 1 中。