DDP

DistributedDataParallel (DDP) mantém uma cópia completa do modelo em cada GPU. Cada GPU processa um fragmento de dados não sobreposto com uma passagem de ida e uma de volta. Antes do passo do otimizador, um all-reduce faz a média dos gradientes entre todas as GPUs para que todas as cópias do modelo permaneçam idênticas. Use DDP quando o seu modelo couber em uma única GPU.

                         ┌─────────────────┐
                         │  training data  │
                         └────────┬────────┘
               ┌──────────────────┼──────────────────┐
               │ shard 0          │ shard 1          │ shard 2
               ▼                  ▼                  ▼
        ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
        │   model     │    │   model     │    │   model     │
        │  (copy 0)   │    │  (copy 1)   │    │  (copy 2)   │
        │   GPU 0     │    │   GPU 1     │    │   GPU 2     │
        └──────┬──────┘    └──────┬──────┘    └──────┬──────┘
               │ grads            │ grads            │ grads
               └──────────────────┼──────────────────┘
                               all-reduce
                          (average gradients)
               ┌──────────────────┼──────────────────┐
               ▼                  ▼                  ▼
        ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
        │  optimizer  │    │  optimizer  │    │  optimizer  │
        │    step     │    │    step     │    │    step     │
        └─────────────┘    └─────────────┘    └─────────────┘
          (identical)        (identical)        (identical)

O DDP é ativado automaticamente quando você inicia com um lançador multiprocessos, como o Accelerate.

# 4 GPUs on one machine
accelerate launch --num_processes 4 train.py

Configurar DDP

Passe estes TrainingArguments para controlar o comportamento do DDP.

• gradient_accumulation_steps() determina quando executar o all-reduce. O Trainer ignora o all-reduce nos passos intermediários de acumulação e o executa apenas no micro-lote final. Por exemplo, com gradient_accumulation_steps=4, o all-reduce é executado a cada 4 passes de retropropagação.
• ~TrainingArguments.ddp_find_unused_parameters percorre o grafo do autograd no final da passagem de frente para parâmetros que não receberão um gradiente e os marca como prontos para que não bloqueiem o all-reduce. Não use com ~TrainingArguments.gradient_checkpointing porque o gradient checkpointing descarta as ativações intermediárias e as recalcula em tempo real.
• ~TrainingArguments.ddp_bucket_cap_mb é o tamanho do bucket para agrupar gradientes em uma única operação all-reduce durante a passagem reversa. Um bucket maior significa menos chamadas de all-reduce e menos sobrecarga de lançamento.
• ~TrainingArguments.ddp_broadcast_buffers sincroniza os buffers do modelo (como as estatísticas de execução do BatchNorm) do rank 0 para todos os outros ranks no início de cada forward pass. Desative se o seu modelo usar apenas LayerNorm. Não use com ~TrainingArguments.gradient_checkpointing.
• ~TrainingArguments.ddp_backend define o backend de comunicação. Use "nccl" para GPUs NVIDIA (padrão e mais rápido), "gloo" para treinamento em CPU ou depuração, e "xccl", "hccl" ou "cncl" para outros hardwares.
• ddp_timeout() define o limite de tempo para que todos os processos e operações (all-reduce, broadcast) sejam concluídos. Se um processo travar, como ao carregar um modelo grande lentamente, o timeout gera um erro em vez de bloquear indefinidamente.

from transformers import TrainingArguments

args = TrainingArguments(
    ...,
    gradient_accumulation_steps=4,
    ddp_backend="nccl",
    ddp_find_unused_parameters=False,
    ddp_bucket_cap_mb=25,
    ddp_broadcast_buffers=True,
    ddp_timeout=1800,
)

Próximas etapas

• Veja FSDP para treinar modelos grandes demais para caber em uma única GPU.
• Consulte DeepSpeed para otimização ZeRO e offloading.
• Leia o capítulo Paralelismo de Dados do The Ultra-Scale Playbook para obter mais informações sobre como o DDP funciona.