DeepSpeed Ulysses: Otimizações de Sistema para Habilitar o Treinamento de Modelos Transformers com Sequências Extremamente Longas

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

Resumo

A computação em um modelo de linguagem grande (LLM) baseado em Transformer típico pode ser caracterizada pelo tamanho do lote, dimensão oculta, número de camadas e comprimento da sequência. Até agora, os trabalhos de sistema para acelerar o treinamento de LLMs têm se concentrado nas três primeiras dimensões: paralelismo de dados para o tamanho do lote, paralelismo tensorial para o tamanho oculto e paralelismo de pipeline para a profundidade do modelo ou camadas. Essas formas amplamente estudadas de paralelismo não são direcionadas ou otimizadas para modelos Transformer de sequência longa. Dadas as necessidades práticas de aplicação para LLMs de sequência longa, novas atenções estão sendo voltadas para o paralelismo de sequência. No entanto, os trabalhos existentes em paralelismo de sequência são limitados pela ineficiência de comunicação-memória, restringindo sua escalabilidade para modelos grandes de sequência longa. Neste trabalho, apresentamos o DeepSpeed-Ulysses, uma metodologia nova, portátil e eficaz para permitir o treinamento altamente eficiente e escalável de LLMs com comprimento de sequência extremamente longo. O DeepSpeed-Ulysses, em sua essência, particiona os dados de entrada ao longo da dimensão da sequência e emprega uma comunicação coletiva all-to-all eficiente para o cálculo de atenção. A análise teórica de comunicação mostra que, enquanto outros métodos incorrem em sobrecarga de comunicação à medida que o comprimento da sequência aumenta, o DeepSpeed-Ulysses mantém um volume de comunicação constante quando o comprimento da sequência e os dispositivos de computação são aumentados proporcionalmente. Além disso, avaliações experimentais mostram que o DeepSpeed-Ulysses treina 2,5 vezes mais rápido com um comprimento de sequência 4 vezes maior do que o método de linha de base 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.