DeepSpeed Ulysses: Системные оптимизации для обеспечения обучения трансформерных моделей с экстремально длинными последовательностями

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

September 25, 2023

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

cs.AI

Аннотация

Вычисления в типичной крупной языковой модели (LLM), основанной на архитектуре Transformer, можно охарактеризовать через такие параметры, как размер пакета, размер скрытого слоя, количество слоев и длина последовательности. До настоящего времени работы по ускорению обучения LLM были сосредоточены на первых трех параметрах: параллелизм данных для размера пакета, параллелизм тензоров для размера скрытого слоя и параллелизм конвейеров для глубины модели или количества слоев. Эти широко изученные формы параллелизма не были оптимизированы для моделей Transformer с длинными последовательностями. Учитывая практические потребности в LLM с длинными последовательностями, внимание вновь привлекается к параллелизму последовательностей. Однако существующие работы в этой области ограничены неэффективностью использования памяти и коммуникаций, что ограничивает их масштабируемость для крупных моделей с длинными последовательностями. В данной работе мы представляем DeepSpeed-Ulysses — новую, переносимую и эффективную методологию, обеспечивающую высокоэффективное и масштабируемое обучение LLM с экстремально длинными последовательностями. В основе DeepSpeed-Ulysses лежит разделение входных данных по измерению последовательности и использование эффективной коллективной коммуникации типа "все-ко-всем" для вычисления внимания. Теоретический анализ коммуникаций показывает, что в то время как другие методы увеличивают накладные расходы на коммуникации с ростом длины последовательности, DeepSpeed-Ulysses сохраняет постоянный объем коммуникаций при пропорциональном увеличении длины последовательности и вычислительных устройств. Кроме того, экспериментальные оценки демонстрируют, что DeepSpeed-Ulysses обучается в 2,5 раза быстрее с последовательностями в 4 раза длиннее по сравнению с текущим методом, установленным в качестве SOTA-базиса.

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.