DeepSpeed Ulysses : Optimisations système pour permettre l'entraînement de modèles Transformer à séquences extrêmement longues

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

September 25, 2023

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

cs.AI

Résumé

Le calcul dans un modèle de langage de grande taille (LLM) basé sur Transformer peut être caractérisé par la taille du lot, la dimension cachée, le nombre de couches et la longueur de la séquence. Jusqu'à présent, les travaux sur les systèmes visant à accélérer l'entraînement des LLM se sont concentrés sur les trois premières dimensions : le parallélisme de données pour la taille du lot, le parallélisme tensoriel pour la taille cachée et le parallélisme par pipeline pour la profondeur du modèle ou les couches. Ces formes de parallélisme largement étudiées ne sont pas ciblées ou optimisées pour les modèles Transformer à longues séquences. Compte tenu des besoins pratiques d'application pour les LLM à longues séquences, une attention renouvelée est portée sur le parallélisme de séquence. Cependant, les travaux existants en parallélisme de séquence sont limités par une inefficacité mémoire-communication, ce qui restreint leur évolutivité pour les grands modèles à longues séquences. Dans ce travail, nous présentons DeepSpeed-Ulysses, une méthodologie novatrice, portable et efficace pour permettre un entraînement hautement performant et évolutif des LLM avec des séquences extrêmement longues. DeepSpeed-Ulysses partitionne essentiellement les données d'entrée selon la dimension de la séquence et utilise une communication collective all-to-all efficace pour le calcul de l'attention. L'analyse théorique de la communication montre que, tandis que d'autres méthodes entraînent une surcharge de communication lorsque la longueur de la séquence augmente, DeepSpeed-Ulysses maintient un volume de communication constant lorsque la longueur de la séquence et les dispositifs de calcul sont augmentés proportionnellement. De plus, les évaluations expérimentales montrent que DeepSpeed-Ulysses entraîne 2,5 fois plus vite avec des séquences 4 fois plus longues que la méthode de référence SOTA existante.

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.