DeepSpeed Ulysses: Optimizaciones del sistema para habilitar el entrenamiento de modelos Transformer con secuencias extremadamente largas

DeepSpeed Ulysses: System Optimizations for Enabling Training of Extreme Long Sequence Transformer Models

September 25, 2023

Autores: Sam Ade Jacobs, Masahiro Tanaka, Chengming Zhang, Minjia Zhang, Leon Song, Samyam Rajbhandari, Yuxiong He

cs.AI

Resumen

El cómputo en un modelo de lenguaje grande (LLM) basado en Transformers típico puede caracterizarse por el tamaño del lote, la dimensión oculta, el número de capas y la longitud de la secuencia. Hasta ahora, los trabajos de sistemas para acelerar el entrenamiento de LLM se han centrado en las primeras tres dimensiones: paralelismo de datos para el tamaño del lote, paralelismo tensorial para el tamaño oculto y paralelismo de pipeline para la profundidad del modelo o las capas. Estas formas de paralelismo ampliamente estudiadas no están dirigidas ni optimizadas para modelos de Transformers con secuencias largas. Dadas las necesidades prácticas de aplicaciones para LLM con secuencias largas, se está prestando renovada atención al paralelismo de secuencias. Sin embargo, los trabajos existentes en paralelismo de secuencias están limitados por la ineficiencia en la comunicación de memoria, lo que restringe su escalabilidad a modelos grandes con secuencias largas. En este trabajo, presentamos DeepSpeed-Ulysses, una metodología novedosa, portátil y efectiva para habilitar un entrenamiento de LLM altamente eficiente y escalable con longitudes de secuencia extremadamente largas. DeepSpeed-Ulysses, en su núcleo, particiona los datos de entrada a lo largo de la dimensión de la secuencia y emplea una comunicación colectiva eficiente de tipo all-to-all para el cálculo de atención. El análisis teórico de la comunicación muestra que, mientras otros métodos incurren en sobrecarga de comunicación a medida que aumenta la longitud de la secuencia, DeepSpeed-Ulysses mantiene un volumen de comunicación constante cuando la longitud de la secuencia y los dispositivos de cómputo se incrementan proporcionalmente. Además, las evaluaciones experimentales muestran que DeepSpeed-Ulysses entrena 2.5 veces más rápido con una longitud de secuencia 4 veces mayor que el método de referencia SOTA existente.

English

Computation in a typical Transformer-based large language model (LLM) can be characterized by batch size, hidden dimension, number of layers, and sequence length. Until now, system works for accelerating LLM training have focused on the first three dimensions: data parallelism for batch size, tensor parallelism for hidden size and pipeline parallelism for model depth or layers. These widely studied forms of parallelism are not targeted or optimized for long sequence Transformer models. Given practical application needs for long sequence LLM, renewed attentions are being drawn to sequence parallelism. However, existing works in sequence parallelism are constrained by memory-communication inefficiency, limiting their scalability to long sequence large models. In this work, we introduce DeepSpeed-Ulysses, a novel, portable and effective methodology for enabling highly efficient and scalable LLM training with extremely long sequence length. DeepSpeed-Ulysses at its core partitions input data along the sequence dimension and employs an efficient all-to-all collective communication for attention computation. Theoretical communication analysis shows that whereas other methods incur communication overhead as sequence length increases, DeepSpeed-Ulysses maintains constant communication volume when sequence length and compute devices are increased proportionally. Furthermore, experimental evaluations show that DeepSpeed-Ulysses trains 2.5X faster with 4X longer sequence length than the existing method SOTA baseline.