当前位置：首页 > news >正文

分布式训练一站式入门：DP，DDP，DeepSpeed Zero Stage1/2/3（数据并行篇）

news 2025/11/5 9:05:03

一、分布式训练的三大主线分类

1. 数据并行（Data Parallelism）

2. 模型并行（Model Parallelism）

3. 混合并行（Hybrid Parallelism）

二、常用的数据并行

（1）DP方法

（2）DDP方法

（3）DeepSpeed ZeRO Stage 1—— 优化器状态分片

（4）DeepSpeed ZeRO Stage 2 —— 优化器状态 + 梯度分片

（5）DeepSpeed ZeRO Stage 3 —— 优化器状态 + 梯度 + 参数分片

分布式训练主要是在模型过大或数据集过大，我们单张显卡的显存不足以支撑训练模型，这时候就需要准备多张显卡来进行训练，多显卡配置一般如下表所示。为了能够让模型在多张显卡上运行，我们就需要使用到分布式训练的算法，本文将会依次介绍各个方法。

范围	示例	描述
单机多卡	1台服务器 + 4/8张GPU	最常见，通信走NVLink或PCIe
多机多卡	多节点GPU集群	通信走高速网络（InfiniBand, RoCE）
异构训练	GPU + TPU + CPU 混合	未来趋势，但难度高

首先，先介绍分布式训练的分类，分布式训练主要分为数据并行，模型并行，混合并行这三个类别，三个类别如下边所示：

一、分布式训练的三大主线分类

从核心理念上看，分布式训练可以分为三种主流类型：

1. 数据并行（Data Parallelism）

核心思想： 每个节点（GPU）保存完整模型副本，但处理不同的数据子集。

特点：

各 GPU 拿到不同 batch 的数据；
前向传播独立完成；
反向传播后需要同步梯度（gradient synchronization）。

常用实现：

DP (Data Parallel)
PyTorch 的 DistributedDataParallel (DDP)
Horovod
DeepSpeed Stage 1/2
Megatron-LM 的 hybrid parallel 里也用到它。

通信瓶颈： 主要发生在梯度同步阶段，采用 AllReduce 通信模式。

适用场景： 模型能放进单卡显存，但数据太多，需要多卡加速训练。

2. 模型并行（Model Parallelism）

核心思想： 模型太大放不下单个 GPU，把模型的不同部分拆开到多 GPU 上。

常见形式：

张量并行（Tensor Parallelism）：
把同一层的权重矩阵在不同 GPU 上切分，比如一部分乘法在 GPU0 上做，另一部分在 GPU1 上做，最后拼接。
- 代表框架：Megatron-LM, DeepSpeed-MoE。
- 通信开销高（需频繁 gather/scatter）。
流水线并行（Pipeline Parallelism）：
把不同层的网络放在不同 GPU 上，比如 GPU0 负责前几层，GPU1 负责后几层。
- 数据像“装配线”一样传递。
- 可与微批（micro-batch）结合使用来提高 GPU 利用率。
- 代表框架：GPipe、PipeDream、DeepSpeed Pipeline。

适用场景： 模型超大（例如百亿、千亿参数），单卡放不下权重。

3. 混合并行（Hybrid Parallelism）

核心思想： 结合数据并行 + 模型并行 + 专用优化。

常见组合：

张量并行 + 数据并行（如 Megatron-LM）
流水线并行 + 数据并行（如 DeepSpeed）
甚至三者融合（如 GPT-3 训练架构）

额外增强手段：

ZeRO 优化（Zero Redundancy Optimizer）：把优化器状态、梯度、参数在 GPU 之间分片，极大降低显存占用。
MoE（Mixture of Experts）：不同 GPU 仅激活部分专家网络，进一步提升扩展性。

适用场景： 大规模预训练、超大参数模型（BLOOM、ChatGPT、Llama等都用这类架构）。

二、常用的数据并行

本文主要介绍数据并行的方法，模型并行将会在下篇文章更新。

（1）DP方法

分布式数据并行（Distributed Data Parallel, DP）是一种常见的分布式训练方法，用于加速深度学习模型的训练过程。其核心思想是将训练数据划分到多个计算节点（如GPU或机器），每个节点独立计算梯度，最后通过聚合梯度实现模型参数的同步更新。

但DP方法也有着明显的缺点，它是单进程，多线程的运行方法，假设我们目前有四块GPU，即计算是由全部GPU分别进行的，但对于参数的更新是GPU2, GPU3, GPU4把各自在自己那部分数据集上更新完后的参数传给GPU1，由GPU1来进行平均全部四个部分的梯度，然后对模型参数进行更新，最后把更新的参数分发到其余的三块GPU上边，这才完成了一次模型权重的更新。可以发现，在计算梯度的时候全部GPU都参与了计算，但在更新参数时，只有GPU1在进行参数广播，其他GPU都没发挥作用，这时候就需要新的方法，也就是我们的DDP方法（Distributed Data Parallel）。

（2）DDP方法

DDP（Distributed Data Parallel）是一种分布式深度学习训练方法，用于在多GPU或多节点环境下并行训练模型。其核心思想是将数据分片分配到不同设备上，每个设备独立计算梯度，最后通过同步机制聚合梯度更新模型参数。

DDP方法的核心在于Ring-ALLReduce，ALLReduce分为两个部分：Scatter-Reduce和ALLGather。接下来将分别介绍这两个方法：

1）Scatter-Reduce：Scatter-Reduce主要是在每个GPU上边进行反向传播计算出梯度并更新后，分别由不同的GPU对模型的参数进行循环式更新，例如在GPU0上更新了参数a0，GPU0把参数a0传个GPU1，得到a0+a1，然后GPU1再把a0+a1传给GPU2，此时一次循环更新结束，GPU2获得了最终的更新参数a0+a1+a2。其他参数也是如此，以此类推，GPU0获得了b0+b1+b2，GPU1获得了c0+c1+c2。

2）ALLGather：第二步则进行ALLGather，每个GPU把自己得到的最终参数分别传给其他的GPU，这样每个GPU就都拥有了更新完后的参数。

DDP方法通过Ring-ALLReduce让每个GPU都参与进了参数更新的过程当中，即使用了多个进程，每个GPU的参数传入传出量都是相同的。

（3）DeepSpeed ZeRO Stage 1—— 优化器状态分片

首先先理解 ZeRO 的设计初衷ZeRO，全称 Zero Redundancy Optimizer，目标是解决一个关键问题：

在分布式数据并行中，每个 GPU 都保存完整的模型参数、副本、梯度和优化器状态，造成巨大冗余。

比如，一个 10 亿参数的模型，Adam 优化器会额外存储：

参数（weights）
梯度（gradients）
一阶动量（m）
二阶动量（v）

合计大约是原模型大小的 3~4 倍显存消耗。
如果每张 GPU 都保存这些副本，就浪费得惊人。

ZeRO 就是为了解决这个问题的：
它将模型训练状态在 GPU 之间分片存储（partition），让每张卡只保存一部分，而不是全量副本。

ZeRO 的三个阶段概览如下所示

阶段	优化对象	主要思路	显存节省	通信代价
Stage 1	优化器状态 (Optimizer States)	将优化器状态切分分布在不同 GPU 上	大约 4× 节省	低
Stage 2	优化器状态 + 梯度 (Gradients)	再切分梯度张量	大约 8× 节省	中
Stage 3	优化器状态 + 梯度 + 参数 (Parameters)	参数也分片存储和加载	高达 16× 节省	高（需动态通信）

Stage 1 和 Stage 2 是“轻量级分布式显存优化”，Stage 3 则是“极限节省版”。

接下来，正式介绍DeepSpeed ZeRO Stage 1 —— 优化器状态分片

工作机制

在标准数据并行（DDP）中，每个 GPU 都保存：

优化器状态（Adam的m、v）、梯度、参数副本。

如下图所示，每块GPU右侧的图示标识的意思是：模型的网络结构——>模型的参数——>模型的梯度——>Adam优化器

Stage 1 只分片优化器状态：

参数和梯度仍完整保留；
，如下图所示，优化器状态被切分到不同 GPU 上，每张卡只持有自己负责的一部分参数对应的优化器状态；
在更新权重时，DeepSpeed 自动把对应的状态收集回来计算，然后再同步更新。

通信过程

通信非常少：只有在参数更新时需要跨设备访问对应分片。
前向、反向传播几乎不受影响。

显存效果

模型 + 梯度仍然保留；
优化器状态分片 → 显存降低约 3～4 倍；
对计算效率影响极小。

适用场景：

中等规模模型（几亿参数）；
有多张 GPU，但希望几乎不牺牲训练速度。

（4）DeepSpeed ZeRO Stage 2 —— 优化器状态 + 梯度分片

Stage 2 在 Stage 1 的基础上进一步优化：

不仅优化器状态切分，梯度也被切分。

工作机制

每个 GPU 计算自己那一部分梯度；
反向传播结束后，通过 reduce-scatter 将梯度分配到对应 GPU；
如下图所示，计算完不属于自己负责的梯度，在分配到对应负责的GPU上后就将梯度删除，每张卡只保存与自己负责的参数相关的梯度；
更新时，只需用本地梯度和本地优化器状态计算权重更新。

通信机制

使用 reduce-scatter + all-gather 替代传统的 all-reduce，
减少冗余通信量。

例如：

原本 all-reduce 的通信量是 2 × N × 参数量；
reduce-scatter + all-gather 的通信量约为 N × 参数量。

显存效果

显存进一步节省至原始的约 1/8；
例如 8 张 GPU，可以近乎线性扩展模型规模。

代价

由于反向传播结束后要多一步 reduce-scatter，通信开销略增；
但总体性价比极高，常被大规模模型采用。

适用场景：

模型参数较大（10亿~100亿级别）；
追求显存和性能平衡；
多节点 GPU 训练集群。

（5）DeepSpeed ZeRO Stage 3 —— 优化器状态 + 梯度 + 参数分片

Stage 3 的核心思想：

不仅优化器状态、梯度被分片，连模型参数（weights）本身也被分片（partition）。

在 Stage 1 和 2 里，每张 GPU 依然保留了完整一份模型参数，只是减少了优化器和梯度的冗余。
到了 Stage 3，DeepSpeed 决定更激进：

每张 GPU 只保留自己负责的那一部分参数、梯度、优化器状态。

这样，显存使用量几乎可以和 GPU 数量线性缩放。

计算和通信过程如下：

前向传播 (Forward Pass)
- 需要用到模型参数时，DeepSpeed 从不同 GPU 上 gather 对应分片；
- 执行完该层的计算后，会释放这些参数，防止占显存；
- 下一层重复同样的过程。
反向传播 (Backward Pass)
- 当计算梯度时，梯度也会被分片存储；
- 只更新本 GPU 负责的参数和梯度；
- 需要时再通过 reduce-scatter/all-gather 进行同步。
参数更新 (Optimizer Step)
- 每张 GPU 只更新自己那份参数；
- 优化器状态（m, v）也按分片更新；
- 更新完后全局参数保持一致。