mirror of https://github.com/InternLM/InternLM
62 lines
3.7 KiB
Markdown
62 lines
3.7 KiB
Markdown
|
## 训练性能
|
|||
|
|
|
|||
|
|
InternLM 深度整合了 Flash-Attention, Apex 等高性能模型算子，提高了训练效率。通过构建 Hybrid Zero 技术，实现计算和通信的高效重叠，大幅降低了训练过程中的跨节点通信流量。InternLM 支持 7B 模型从 8 卡扩展到 1024 卡，千卡规模下加速效率可高达 90%，训练吞吐超过 180TFLOPS，平均单卡每秒处理的 token 数量超过3600。下表为 InternLM 在不同配置下的扩展性测试数据：
|
|||
|
|
|
|||
|
|
| InternLM | 8卡 | 16卡 | 32卡 | 64卡 | 128卡 | 256卡 | 512卡 | 1024卡 |
|
|||
|
|
| ---------------- | ---- | ---- | ---- | ---- | ----- | ----- | ----- | ------ |
|
|||
|
|
| TKS (Tokens/GPU/Second) | 4078 | 3939 | 3919 | 3944 | 3928 | 3920 | 3835 | 3625 |
|
|||
|
|
| TFLOPS | 192 | 192 | 186 | 186 | 185 | 185 | 186 | 182 |
|
|||
|
|
|
|||
|
|
|
|||
|
|
我们在GPU集群上测试了多种并行配置下，InternLM训练7B模型的性能。在每组测试中，每张GPU在单次迭代中处理的token数量一致。测试使用的硬件和参数配置如下表所示：
|
|||
|
|
|
|||
|
|
| 硬件 | 硬件型号 |
|
|||
|
|
| ----------------------- | ----------------------------- |
|
|||
|
|
| GPU | nvidia_a100-sxm4-80gb |
|
|||
|
|
| Memory | 2TB |
|
|||
|
|
| Inter-machine bandwidth | 4 * 100Gb RoCE |
|
|||
|
|
| CPU | 128 core Intel(R) Xeon(R) CPU |
|
|||
|
|
|
|||
|
|
| 超参 | tp=1 | tp=2 |
|
|||
|
|
| --------- | ---- | ---- |
|
|||
|
|
| micro_num | 4 | 4 |
|
|||
|
|
| micro_bsz | 2 | 4 |
|
|||
|
|
| seq_len | 2048 | 2048 |
|
|||
|
|
|
|||
|
|
InternLM中`zero1`的配置决定了优化器状态的分配范围。
|
|||
|
|
- `zero1=-1`表明优化器状态分布在全部数据并行节点（等同于Deepspeed Zero-1的效果）
|
|||
|
|
- `zero1=8，tp=1`的情况下，优化器状态分布在单节点8张GPU内，并且不同节点上的优化器状态保持一致。
|
|||
|
|
|
|||
|
|
### 吞吐量测量
|
|||
|
|
|
|||
|
|
吞吐量定义为TGS，平均每GPU每秒处理的token的数量（Tokens per GPU per Second）。在该项测试的训练配置中，`pack_sample_into_one=False`，`checkpoint=False`。测试结果如下表所示。采用`zero1=8，tp=1`，InternLM针对7B模型训练的扩展性，在千卡训练的加速效率可以达到`88%`。
|
|||
|
|
|
|||
|
|
| 并行配置 | 8卡 | 16卡 | 32卡 | 64卡 | 128卡 | 256卡 | 512卡 | 1024卡 |
|
|||
|
|
| ---------------- | ---- | ---- | ---- | ---- | ----- | ----- | ----- | ------ |
|
|||
|
|
| (tp=1, zero1=-1) | 4062 | 3842 | 3752 | 3690 | 3571 | 3209 | 2861 | 2271 |
|
|||
|
|
| (tp=1, zero1=8) | 4078 | 3939 | 3919 | 3944 | 3928 | 3920 | 3835 | 3625 |
|
|||
|
|
| (tp=2, zero1=-1) | 3822 | 3595 | 3475 | 3438 | 3308 | 3094 | 2992 | 2785 |
|
|||
|
|
| (tp=2, zero1=4) | 3761 | 3658 | 3655 | 3650 | 3651 | 3653 | 3589 | 3486 |
|
|||
|
|
|
|||
|
|
|
|||
|
|
<div align="left">
|
|||
|
|
<img src="../doc/imgs/train_performance.png" width="580"/>
|
|||
|
|
</div>
|
|||
|
|
|
|||
|
|
### FLOPS测试
|
|||
|
|
模型训练的计算量参考 [Megatron](https://deepakn94.github.io/assets/papers/megatron-sc21.pdf) 论文中FLOPS计算方式。为了保证训练过程中的FLOPS恒定，在该项测试的训练配置中，`pack_sample_into_one=True`，其余超参设置如下所示：
|
|||
|
|
|
|||
|
|
activation checkpoint | tp | zero-1 | seq_len | micro_num | micro_bsz |
|
|||
|
|
| --- | --- | ---- | ---- | ---- |---- |
|
|||
|
|
关闭 | 1 | 8 | 2048 | 4 | 2 |
|
|||
|
|
开启 | 1 | 8 | 2048 | 1 | 8 |
|
|||
|
|
|
|||
|
|
测试结果如下表所示，InternLM针对7B模型的千卡训练，可以达到 `>180 TFLOPS`：
|
|||
|
|
| activation checkpoint | 8卡 | 16卡 | 32卡 | 64卡 | 128卡 | 256卡 | 512卡 | 1024卡 |
|
|||
|
|
| --------------- | --- | ---- | ---- | ---- | ----- | ----- | ----- | ------ |
|
|||
|
|
| 关闭 | 183 | 177 | 176 | 174 | 173 | 173 | 173 | 160 |
|
|||
|
|
| 开启 | 192 | 192 | 186 | 186 | 185 | 185 | 186 | 182 |
|
|||
|
|
|
|||
|
|
<div align="left">
|
|||
|
|
<img src="../doc/imgs/flops.png" width="580"/>
|
|||
|
|
</div>
|