图解大模型训练系列：序列并行3，Ring Attention

文章预览

在序列并行系列中，我们将详细介绍下面四种常用的框架/方法： Megatron Sequence Parallelism ：本质是想通过降低单卡激活值大小的方式，尽可能多保存激活值，少做重计算，以此提升整体训练速度，一般和它家的tp配套使用。 DeepSpeed Ulysses ：我们知道ds家的zero是模型并行的形式，数据并行的本质。在这个情况下，单张卡是完整地做一条序列的MHA过程的，序列长度较长时，就会对单卡显存产生压力。 所以Ulysses的解决办法是，让单张卡只算全部seq的某个/某些head的结果 ，具体实践起来就是先通过按seq维度切割卡的输入，再通过all2all通讯来做。 Ring Attention ： 近似于分布式的Flash Attention V2（我个人的理解） ， 它最终的效果是让每张卡只算自己所维护的那部分seq_chunk的MHA。 Megatron Context Parallelism ：可以看成是增强版的sp，引入了类ring-attention的技术（在tp-pp- ………………………………