Transformer模型分布式并行通信量浅析
1.数据并行DP（朴素数据并行，Zero数据并行之后补充）
O ( h 2 ∗ l ) O(h^2*l) O(h2∗l)
每台机器做完自己的梯度后需要做一次All reduce操作来累积梯度，故一个batch计算发送的数据量为每层梯度大小 h 2 h^2 h2乘以层数 l l l
优点：运用简单，效率高，计算和通讯之间可以做异步。
缺点：有时候单个GPU无法容纳下整个大模型做训练。
流水线并行PP（Gpipe）
O ( b ∗ s ∗ h ∗ l / k ) O(b*s*h*l/k) O(b∗s∗h∗l/k)
每个pp层之间发送中间变量大小（和输入x相同大小）为 b ∗ s ∗ h b*s*h b∗s∗h，乘以正向和反向一共要传递的次数 2 ∗ ( l / k − 1 ) 2*(l/k-1) 2∗(l/k−1)，得到上述大致的数量级
优点：通讯量小，数据无关。
缺点：要保证模型能均匀切分，否则会影响性能。需要用到重计算，来支持更大的批量 b b b，从而保证流水能发挥作用。反传之前需要等待所以微批量计算。
张量模型并行TMP
O ( b ∗ s ∗ h ∗ l ) O(b*s*h*l) O(b∗s∗h∗l)
MLP层第一个W1纵向切，第二个W2横向切能保证一个MLP只做一次All reduce操作通讯。同理attn根据头数来切分投影层。两者每次的发送数据大小和PP一样都是 O ( b ∗ s ∗ h ) O(b*s*h) O(b∗s∗h)，不同是，TMP发送量和模型Transformer层数成线性关系。