CN117057411B - 一种大语言模型训练方法、装置、设备及存储介质 - Google Patents
一种大语言模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117057411B CN117057411B CN202311308790.5A CN202311308790A CN117057411B CN 117057411 B CN117057411 B CN 117057411B CN 202311308790 A CN202311308790 A CN 202311308790A CN 117057411 B CN117057411 B CN 117057411B
- Authority
- CN
- China
- Prior art keywords
- task
- tasks
- execution
- communication
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006854 communication Effects 0.000 claims abstract description 214
- 238000004891 communication Methods 0.000 claims abstract description 208
- 238000004364 calculation method Methods 0.000 claims abstract description 94
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 101001014572 Homo sapiens MARCKS-related protein Proteins 0.000 description 5
- 102100032514 MARCKS-related protein Human genes 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102100028162 ATP-binding cassette sub-family C member 3 Human genes 0.000 description 2
- 102100028187 ATP-binding cassette sub-family C member 6 Human genes 0.000 description 2
- 101000986633 Homo sapiens ATP-binding cassette sub-family C member 3 Proteins 0.000 description 2
- 101000986621 Homo sapiens ATP-binding cassette sub-family C member 6 Proteins 0.000 description 2
- 101150042618 comm2 gene Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种大语言模型训练方法、装置、设备及存储介质。应用于调度系统,包括:获取与大语言模型训练所关联的执行流;将执行流中的训练任务按照类型进行划分获取任务分组;将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。通过执行流将训练任务下发给调度系统,每个执行流中包括同一批次训练数据的训练任务,通过调度系统将训练任务按照类型划分成计算任务和通信任务并发送至匹配的任务执行单元,最后通过不同类型的任务执行单元接收调度系统发来的任务,各自并行执行,实现了通信任务与计算任务之间的相互掩盖,避免了在通信过程中计算资源的等待,提高了模型训练的效率。
Description
技术领域
本发明涉及模型训练技术领域,尤其涉及一种大语言模型训练方法、装置、设备及存储介质。
背景技术
大语言模型是人工智能应用背后的关键支撑技术。大语言模型的训练需要消耗巨量的计算资源,因此提升模型的训练效率至关重要。
现有技术中,由于模型训练参数量巨大,单一的训练加速卡无法容纳一个模型的全部参数,所以大语言模型的训练通常需要采用各种并行技术将模型分布在多个加速卡甚至多台服务器上并行执行。其中,单机内常用的并行训练方式为张量并行和张量并行加序列并行。这两种并行方式可以将一个transformer 层的模型参数分布到多张训练加速卡上,实现层内这个维度上的模型拆分。
但现有技术的这两种并行方式也引入了大量的卡间通信需求,并且这些通信与其前后的计算具有数据依赖关系,因此单个批次的训练中无法进行通信与计算之间的相互掩盖,造成在通信过程中计算资源的等待,降低了模型训练的总体效率。
发明内容
本发明提供了一种大语言模型训练方法、装置、设备及存储介质,以实现大语言模型训练的通信和计算的并行执行,提升模型训练的总体效率。
根据本发明的一方面,提供了一种大语言模型训练方法,该方法包括:
获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;
将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务;
将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。
可选的,调度系统中包括上层执行流模块和下层异步调度模块;获取与大语言模型训练所关联的执行流,包括:通过上层执行流模块接收用户所输入的与大语言模型训练所关联的各执行流,其中,每个执行流中分别包括基于大语言模型的transformer层的结构所确定的训练任务,并且每个执行流中的各训练任务采用编号限定执行的依赖关系。
可选的,将执行流中的训练任务按照类型进行划分获取任务分组,包括:对各执行流中的训练任务进行类型识别,将所识别出的计算任务构建计算任务分组;将所识别出的通信任务构建通信任务分组,其中,通信任务分组包括通信控制逻辑任务分组和通信规约任务分组。
可选的,将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行,包括:将计算任务分组发送至通用计算硬件单元,将通信任务分组发送至通信任务执行单元,其中,通信任务执行单元包括通信逻辑控制单元和通信规约计算单元;通过通用计算硬件单元和通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行。
可选的,通过通用计算硬件单元和通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行,包括:通过通用计算硬件单元从计算任务分组中筛选目标计算任务并执行,在目标计算任务执行完成后生成执行完成指令并发送给调度系统,其中,执行完成指令中包括目标计算任务所属的目标执行流和编号;根据执行完成指令在目标执行流中确定出待执行的目标通信任务,并将目标通信任务的编号发送给通信任务执行单元,以使通信任务执行单元根据编号执行目标通信任务;在通信任务执行单元执行目标通信任务的同时,通过通用计算硬件单元从计算任务分组中筛选出新的目标计算任务并执行,其中,新的目标计算任务与目标通信任务不属于同一批次的执行流。
可选的,执行流中的计算任务包括多头注意力模块和多层感知机模块,执行流中的通信任务包括卡间通信模块;模型并行训练的形式包括张量并行或张量并行加序列并行,并且针对不同形式的模型并行训练执行流中的通信任务的类型、位置和数量是不相同的。
可选的,方法还包括:当确定各执行单元资源充足时,指示每个任务执行单元内部并行执行多个不存在依赖关系的训练任务。
根据本发明的另一方面,提供了一种大语言模型训练装置,该装置包括:
执行流获取模块,用于获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;
训练任务划分模块,用于将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务;
大语言模型训练模块,用于将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的一种大语言模型训练方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种大语言模型训练方法。
本发明实施例的技术方案,通过执行流将训练任务下发给调度系统,每个执行流中包括同一批次训练数据的训练任务,通过调度系统将训练任务按照类型划分成计算任务和通信任务并发送至匹配的任务执行单元,最后通过不同类型的任务执行单元接收调度系统发来的任务,各自并行执行,实现了通信任务与计算任务之间的相互掩盖,避免了在通信过程中计算资源的等待,提高了模型训练的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种大语言模型训练方法的流程图;
图2是根据本发明实施例一提供的一种单批次训练前向执行过程示意图;
图3是根据本发明实施例一提供的一种并行执行训练任务的前向执行过程示意图;
图4是根据本发明实施例二提供的另一种大语言模型训练方法的流程图;
图5是根据本发明实施例二提供的一种大语言模型训练过程的整体架构图;
图6是根据本发明实施例三提供的一种大语言模型训练装置的结构示意图;
图7是实现本发明实施例的一种大语言模型训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种大语言模型训练方法的流程图,本实施例可适用于大语言模型训练的情况,该方法可以由大语言模型训练装置来执行,该大语言模型训练装置可以采用硬件和/或软件的形式实现,该大语言模型训练装置可配置于大语言模型的调度系统中。如图1所示,该方法包括:
S110、获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务。
其中,大语言模型(Large Language Models,LLM)是一类基于Transformer架构的人工智能模型。这些模型经过大规模的无监督预训练,从大量的文本数据中学习语言的结构、语义和上下文信息。大语言模型具有强大的语言理解和生成能力,可以应用于多个自然语言处理任务,如文本生成、机器翻译、对话系统、问答系统和摘要生成等。这些模型不仅可以生成连贯的文本,还能根据上下文进行推理和回答问题。执行流是按顺序执行的命令序列,用户可以通过编程的方式向调度系统输入执行流,用户是指大语言模型训练过程的开发人员,即用户可以将模型训练任务进行编程形成执行流,并将执行流作为调度系统的输入。其中,执行流的数量可以是一个或多个,每个执行流中包括同一批次训练数据的训练任务。
可选的,执行流中的计算任务包括多头注意力模块和多层感知机模块,执行流中的通信任务包括卡间通信模块;模型并行训练的形式包括张量并行或张量并行加序列并行,并且针对不同形式的模型并行训练执行流中的通信任务的类型、位置和数量是不相同的。
具体的,执行流和模型结构有关,当前主流的大语言模型都采用不同变种、不同尺寸以及不同数量的transformer层模块堆叠的模型结构。执行流中的计算任务包括多头注意力模块和多层感知机模块,执行流中的通信任务包括卡间通信模块。示例性的,图2为本发明实施例一提供了一种单批次训练前向执行过程示意图,图2中以大语言模型为transformer decoder层为例,示出了一个训练批次在单个训练加速卡上的前向执行过程。一个transformer decoder层主要包括多头注意力(multi-head attention, MHA)和多层感知机(multi-layer perceptron,MLP)两个模块,采用张量并行时,每个MHA和MLP执行之后都需要进行卡间通信(communication,COMM)。需要说明的是,大语言模型可以使用decoder,也可以用encoder,还可以用encoder+decoder结构。本实施方式中仅以transformer decoder为例进行说明,并不对大语言模型的模型结构进行限定。另外,模型并行训练的形式包括张量并行或张量并行加序列并行,图2中为张量并行的示意,而如果采用张量并行加序列并行,通信算子的类型、数量以及与MHA和MLP的相对位置会有所不同。
进一步的,图2中的单批次训练执行过程,由于通信任务与其前后的计算任务之间存在数据依赖关系,所以计算任务与通信任务之间必须以同步方式进行,通信任务执行过程中,所有计算任务资源全部闲置,训练任务总时间等于计算任务总时间与通信任务总时间之和。单个批次的训练中无法进行通信任务与计算任务之间的相互掩盖,造成在执行通信任务过程中计算资源的等待,降低了模型训练的总体效率,为了解决上述问题,本实施例的技术方案通过并行执行多个批次的训练,在不同批次之间实现通信任务和计算任务之间的互相掩盖。
可选的,调度系统中包括上层执行流模块和下层异步调度模块;获取与大语言模型训练所关联的执行流,包括:通过上层执行流模块接收用户所输入的与大语言模型训练所关联的各执行流,其中,每个执行流中分别包括基于大语言模型的transformer层的结构所确定的训练任务,并且每个执行流中的各训练任务采用编号限定执行的依赖关系。
具体的,调度系统可以通过上层执行流模块接收用户通过编程所输入的与大语言模型训练所关联的各执行流,一个执行流代表一个训练批次,并且执行流中包含各训练任务采用编号限定执行的依赖关系。在软件层面,用户可以根据大语言模型的训练需要设置多个执行流,每个执行流中都是一个批次的训练任务。通过执行流可以将训练任务下发给调度系统,调度系统保证任务间的隐式依赖关系,隐式依赖关系是指同一执行流中的各个任务前后有依赖关系,不同执行流中的各种任务相互无依赖。
可以知道的是,本实施方式在软件系统层面,通过提供上层执行流抽象接口和下层异步调度系统,方便多个批次并行训练的编程。同一个批次的训练中,计算任务和通信任务之间有数据依赖,而当只有一个批次时,这些数据依赖关系可以通过按执行顺序编程自然满足,而多个批次并行执行需要保证每个批次的计算任务和通信任务之间正确的依赖关系,因此造成编程复杂性的增加。而本实施方式中的调度系统包括上层执行流模块和下层异步调度模块,可以减轻多批次并行执行带来的编程复杂性。每一个批次使用一个执行流,在执行流内像单一批次训练一样按顺序编写计算任务与通信任务;下层异步调度模块自动将各个执行流中的计算任务和通信任务调度到不同的硬件执行单元上,并且保证同一执行流中的任务前后顺序不变,不同执行流之间的任务无依赖关系,可以并发执行。这样多批次并行执行的编程复杂性得到有效降低。
S120、将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务。
可选的,将执行流中的训练任务按照类型进行划分获取任务分组,包括:对各执行流中的训练任务进行类型识别,将所识别出的计算任务构建计算任务分组;将所识别出的通信任务构建通信任务分组,其中,通信任务分组包括通信控制逻辑任务分组和通信规约任务分组。
具体的,调度系统可以对各执行流中的训练任务进行类型识别,确定出训练任务的类型为计算任务或通信任务,并构建出与训练任务的类型对应的分组,即将所识别出的计算任务构建计算任务分组;将所识别出的通信任务构建通信任务分组。需要说明的是,通信任务包括通信控制逻辑任务和通信规约任务,故调度系统也会进一步将识别出的通信控制逻辑任务构建通信控制逻辑任务分组,将识别出的通信规约任务构建通信规约任务分组。
S130、将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。
具体的,为了保证模型训练效率,软件层面的编排与调度还需要硬件层面的支持。如果硬件层面支持不足,并发的计算和通信任务会竞争硬件执行资源,实际无法实现任务的并行执行,甚至可能因为资源竞争而降低总体效率。故本实施方式的技术方案,通过调度系统中的下层异步调度模块将各个执行流中的计算和通信任务调度到不同的硬件任务执行单元上,并且保证同一执行流中的任务前后顺序不变,不同执行流之间的任务无依赖关系,可以并发执行。这样多批次并行执行的编程复杂性得到有效降低。需要说明的是,任务执行单元包括计算任务执行单元和通信任务执行单元,通信任务执行单元包括通信逻辑控制单元和通信规约计算单元。通过提供独立的通用计算硬件资源与通信控制逻辑和规约计算硬件资源,让计算和通信分别在不同的硬件上执行,从而支持二者最大程度上的并行掩盖。
可选的,方法还包括:当确定各执行单元资源充足时,指示每个任务执行单元内部并行执行多个不存在依赖关系的训练任务。
具体的,任务执行单元内部并行执行训练任务的数量与执行单元资源有关,即执行单元内部剩余空间,不同类型的执行单元接收已经解除依赖的任务,各自并行执行。在执行单元资源满足的情况下,调度系统可以指示该任务执行单元内部并行执行多个批次的训练任务,也即并行执行不存在依赖关系的训练任务,即同类执行单元可以并行执行多个任务。示例性的,两个训练任务不存在依赖关系是指任务执行单元并行执行的两个训练任务不属于同一训练批次。
在一个具体实施方式中,图3为本发明实施例一提供的一种并行执行训练任务的前向执行过程示意图,图3中以并行执行两个批次训练为例,MHA1表示第一个训练批次中的多头注意力模块,MHA2表示第二个训练批次中的多头注意力模块,MLP1表示第一个训练批次中的多层感知机模块,MLP2表示第二个训练批次中的多层感知机模块,COMM1表示第一个训练批次中的卡间通信模块,COMM2表示第二个训练批次中的卡间通信模块,其中,MHA1、MHA2、MLP1和MLP2为计算任务,COMM1和COMM2为通信任务。如图3所示,任务执行单元执行完MHA1后,两个不同类型的任务执行单元会并行执行MHA2和COMM1,通过并行执行多个批次的训练可以在不同的批次之间提供计算和通信掩盖的机会。需要说明的是,在具体训练时,随着单个批次执行时计算和通信执行时间所占比例的不同,以及并行执行的批次数量的不同等变化因素,上述计算与通信并行掩盖在训练总体效率上带来的提升也会变化,用户根据实际情况调节并行执行的批次数量,可以找到总体效率提升最大的优选值。
本发明实施例的技术方案,通过执行流将训练任务下发给调度系统,每个执行流中包括同一批次训练数据的训练任务,通过调度系统将训练任务按照类型划分成计算任务和通信任务并发送至匹配的任务执行单元,最后通过不同类型的任务执行单元接收调度系统发来的任务,各自并行执行,实现了通信任务与计算任务之间的相互掩盖,避免了在通信过程中计算资源的等待,提高了模型训练的效率。
实施例二
图4为本发明实施例二提供的一种大语言模型训练方法的流程图,本实施例在上述实施例一的基础上增加了对将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行过程的具体说明。如图4所示,该方法包括:
S210、获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务。
可选的,调度系统中包括上层执行流模块和下层异步调度模块;获取与大语言模型训练所关联的执行流,包括:通过上层执行流模块接收用户所输入的与大语言模型训练所关联的各执行流,其中,每个执行流中分别包括基于大语言模型的transformer层的结构所确定的训练任务,并且每个执行流中的各训练任务采用编号限定执行的依赖关系。
S220、将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务。
可选的,将执行流中的训练任务按照类型进行划分获取任务分组,包括:对各执行流中的训练任务进行类型识别,将所识别出的计算任务构建计算任务分组;将所识别出的通信任务构建通信任务分组,其中,通信任务分组包括通信控制逻辑任务分组和通信规约任务分组。
S230、将计算任务分组发送至通用计算硬件单元,将通信任务分组发送至通信任务执行单元,其中,通信任务执行单元包括通信逻辑控制单元和通信规约计算单元。
S240、通过通用计算硬件单元和通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行。
可选的,通过通用计算硬件单元和通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行,包括:通过通用计算硬件单元从计算任务分组中筛选目标计算任务并执行,在目标计算任务执行完成后生成执行完成指令并发送给调度系统,其中,执行完成指令中包括目标计算任务所属的目标执行流和编号;根据执行完成指令在目标执行流中确定出待执行的目标通信任务,并将目标通信任务的编号发送给通信任务执行单元,以使通信任务执行单元根据编号执行目标通信任务;在通信任务执行单元执行目标通信任务的同时,通过通用计算硬件单元从计算任务分组中筛选出新的目标计算任务并执行,其中,新的目标计算任务与目标通信任务不属于同一批次的执行流。
具体的,任务执行单元在执行训练任务时会遵循同一批次训练任务的前后依赖关系,按照编号顺序依次执行,首先会通过通用计算硬件单元从计算任务分组中筛选目标计算任务并执行,并且在执行完成目标计算任务后会生成执行完成指令并发送给调度系统,由于执行完成指令中包括目标计算任务所属的目标执行流和编号,然后调度系统会根据执行完成指令中的编号从所属目标执行流中确定出下一待执行的目标通信任务,并将目标通信任务的编号发送给通信任务执行单元,通信任务执行单元即可根据编号执行目标通信任务。而在通信任务执行单元执行目标通信任务的同时,通用计算硬件单元会从计算任务分组中筛选出与目标通信任务不属于同一批次的执行流的新的目标计算任务并执行,以实现通信任务和计算任务的并行执行。
具体实施方式:图5为本发明实施例二提供了一种大语言模型训练过程的整体架构图,图5中包括软件层面和硬件层面,软件层面,根据实际情况可以存在多个执行流,每个执行流中都是一个批次的训练任务。每个执行流将训练任务下发给调度系统,调度系统保证任务间的隐式依赖关系:同一执行流中的各个任务前后有依赖关系,不同执行流中的各种任务相互无依赖;以及编程者显式指定的依赖关系,然后将任务分类下发,通用计算任务下发给通用计算硬件单元,通信控制逻辑任务下发给通信逻辑控制单元,通信规约任务下发给通信规约计算单元。硬件层面,不同类型的执行单元接收调度系统发来的任务,各自并行执行。执行单元接收到的任务,可以是已经由调度系统软件层解除依赖的,这样在执行资源满足的前提下,同类硬件执行单元也可以并行执行多个任务。调度系统也可以设置单独的任务解依赖硬件单元,调度系统软件层将任务下发给硬件解依赖单元,解除依赖后再发送至不同类型的执行单元并行执行。
可选的,执行流中的计算任务包括多头注意力模块和多层感知机模块,执行流中的通信任务包括卡间通信模块;模型并行训练的形式包括张量并行或张量并行加序列并行,并且针对不同形式的模型并行训练执行流中的通信任务的类型、位置和数量是不相同的。
可选的,方法还包括:当确定各执行单元资源充足时,指示每个任务执行单元内部并行执行多个不存在依赖关系的训练任务。
本发明实施例的技术方案,通过执行流将训练任务下发给调度系统,每个执行流中包括同一批次训练数据的训练任务,通过调度系统将训练任务按照类型划分成计算任务和通信任务并发送至匹配的任务执行单元,最后通过不同类型的任务执行单元接收调度系统发来的任务,各自并行执行,实现了通信任务与计算任务之间的相互掩盖,避免了在通信过程中计算资源的等待,提高了模型训练的效率。
实施例三
图6为本发明实施例三提供的一种大语言模型训练装置的结构示意图。如图6所示,该装置包括:
执行流获取模块310,用于获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;
训练任务划分模块320,用于将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务;
大语言模型训练模块330,用于将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。
可选的,调度系统中包括上层执行流模块和下层异步调度模块,执行流获取模块310,具体用于:通过上层执行流模块接收用户所输入的与大语言模型训练所关联的各执行流,其中,每个执行流中分别包括基于大语言模型的transformer层的结构所确定的训练任务,并且每个执行流中的各训练任务采用编号限定执行的依赖关系。
可选的,训练任务划分模块320,具体用于:对各执行流中的训练任务进行类型识别,将所识别出的计算任务构建计算任务分组;将所识别出的通信任务构建通信任务分组,其中,通信任务分组包括通信控制逻辑任务分组和通信规约任务分组。
可选的,大语言模型训练模块330,具体包括:任务发送单元,用于将计算任务分组发送至通用计算硬件单元,将通信任务分组发送至通信任务执行单元,其中,通信任务执行单元包括通信逻辑控制单元和通信规约计算单元;任务并行执行单元,用于通过通用计算硬件单元和通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行。
可选的,任务并行执行单元,具体用于:通过通用计算硬件单元从计算任务分组中筛选目标计算任务并执行,在目标计算任务执行完成后生成执行完成指令并发送给调度系统,其中,执行完成指令中包括目标计算任务所属的目标执行流和编号;根据执行完成指令在目标执行流中确定出待执行的目标通信任务,并将目标通信任务的编号发送给通信任务执行单元,以使通信任务执行单元根据编号执行目标通信任务;在通信任务执行单元执行目标通信任务的同时,通过通用计算硬件单元从计算任务分组中筛选出新的目标计算任务并执行,其中,新的目标计算任务与目标通信任务不属于同一批次的执行流。
可选的,装置还包括:多任务执行模块,用于当确定各执行单元资源充足时,指示每个任务执行单元内部并行执行多个不存在依赖关系的训练任务。
本发明实施例的技术方案,通过执行流将训练任务下发给调度系统,每个执行流中包括同一批次训练数据的训练任务,通过调度系统将训练任务按照类型划分成计算任务和通信任务并发送至匹配的任务执行单元,最后通过不同类型的任务执行单元接收调度系统发来的任务,各自并行执行,实现了通信任务与计算任务之间的相互掩盖,避免了在通信过程中计算资源的等待,提高了模型训练的效率。
本发明实施例所提供的一种大语言模型训练装置可执行本发明任意实施例所提供的一种大语言模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种大语言模型训练方法。也即:获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;将执行流中的训练任务按照类型进行划分获取任务分组,其中,类型包括计算任务和通信任务;将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对计算任务和通信任务并行执行。
在一些实施例中,一种大语言模型训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种大语言模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种大语言模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种大语言模型训练方法,其特征在于,应用于调度系统,包括:
获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;
将所述执行流中的训练任务按照类型进行划分获取任务分组,其中,所述类型包括计算任务和通信任务;
将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对所述计算任务和所述通信任务并行执行;
其中,所述将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对所述计算任务和所述通信任务并行执行,包括:
将所述计算任务分组发送至通用计算硬件单元,将所述通信任务分组发送至通信任务执行单元,其中,所述通信任务执行单元包括通信逻辑控制单元和通信规约计算单元;
通过所述通用计算硬件单元和所述通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行;
其中,所述通过所述通用计算硬件单元和所述通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行,包括:
通过所述通用计算硬件单元从所述计算任务分组中筛选目标计算任务并执行,在所述目标计算任务执行完成后生成执行完成指令并发送给所述调度系统,其中,所述执行完成指令中包括目标计算任务所属的目标执行流和编号;
根据所述执行完成指令在所述目标执行流中确定出待执行的目标通信任务,并将所述目标通信任务的编号发送给通信任务执行单元,以使所述通信任务执行单元根据所述编号执行所述目标通信任务;
在所述通信任务执行单元执行所述目标通信任务的同时,通过所述通用计算硬件单元从所述计算任务分组中筛选出新的目标计算任务并执行,其中,所述新的目标计算任务与所述目标通信任务不属于同一批次的执行流。
2.根据权利要求1所述的方法,其特征在于,所述调度系统中包括上层执行流模块和下层异步调度模块;
所述获取与大语言模型训练所关联的执行流,包括:
通过所述上层执行流模块接收用户所输入的与所述大语言模型训练所关联的各执行流,其中,每个执行流中分别包括基于大语言模型的transformer层的结构所确定的训练任务,并且每个执行流中的各训练任务采用编号限定执行的依赖关系。
3.根据权利要求1所述的方法,其特征在于,所述将所述执行流中的训练任务按照类型进行划分获取任务分组,包括:
对各执行流中的训练任务进行类型识别,将所识别出的计算任务构建计算任务分组;
将所识别出的通信任务构建通信任务分组,其中,所述通信任务分组包括通信控制逻辑任务分组和通信规约任务分组。
4.根据权利要求1所述的方法,其特征在于,所述执行流中的计算任务包括多头注意力模块和多层感知机模块,所述执行流中的通信任务包括卡间通信模块;
所述模型并行训练的形式包括张量并行或张量并行加序列并行,并且针对不同形式的模型并行训练所述执行流中的通信任务的类型、位置和数量是不相同的。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当确定各执行单元资源充足时,指示每个任务执行单元内部并行执行多个不存在依赖关系的训练任务。
6.一种大语言模型训练装置,其特征在于,包括:
执行流获取模块,用于获取与大语言模型训练所关联的执行流,其中,每个执行流中包括同一批次训练数据的训练任务;
训练任务划分模块,用于将所述执行流中的训练任务按照类型进行划分获取任务分组,其中,所述类型包括计算任务和通信任务;
大语言模型训练模块,用于将各任务分组按照类型分别发送至匹配的任务执行单元,以使各任务执行单元对所述计算任务和所述通信任务并行执行;
其中,大语言模型训练模块,具体包括:任务发送单元,用于:将所述计算任务分组发送至通用计算硬件单元,将所述通信任务分组发送至通信任务执行单元,其中,所述通信任务执行单元包括通信逻辑控制单元和通信规约计算单元;
任务并行执行单元,用于:通过所述通用计算硬件单元和所述通信任务执行单元,在保证同一批次的训练任务在按照编号顺序执行的情况下,将不属于同一批次的计算任务和通信任务并行执行;
其中,所述任务并行执行单元,具体用于:通过所述通用计算硬件单元从所述计算任务分组中筛选目标计算任务并执行,在所述目标计算任务执行完成后生成执行完成指令并发送给调度系统,其中,所述执行完成指令中包括目标计算任务所属的目标执行流和编号;
根据所述执行完成指令在所述目标执行流中确定出待执行的目标通信任务,并将所述目标通信任务的编号发送给通信任务执行单元,以使所述通信任务执行单元根据所述编号执行所述目标通信任务;
在所述通信任务执行单元执行所述目标通信任务的同时,通过所述通用计算硬件单元从所述计算任务分组中筛选出新的目标计算任务并执行,其中,所述新的目标计算任务与所述目标通信任务不属于同一批次的执行流。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308790.5A CN117057411B (zh) | 2023-10-11 | 2023-10-11 | 一种大语言模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308790.5A CN117057411B (zh) | 2023-10-11 | 2023-10-11 | 一种大语言模型训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057411A CN117057411A (zh) | 2023-11-14 |
CN117057411B true CN117057411B (zh) | 2024-01-09 |
Family
ID=88661172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308790.5A Active CN117057411B (zh) | 2023-10-11 | 2023-10-11 | 一种大语言模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057411B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248728A (zh) * | 2022-09-21 | 2022-10-28 | 之江实验室 | 面向智能计算的分布式训练任务调度方法、系统和装置 |
CN116450312A (zh) * | 2023-03-02 | 2023-07-18 | 阿里巴巴(中国)有限公司 | 面向流水线并行训练的调度策略确定方法及系统 |
CN116860999A (zh) * | 2023-07-07 | 2023-10-10 | 清华大学 | 超大语言模型分布式预训练方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220405579A1 (en) * | 2020-03-05 | 2022-12-22 | Google Llc | Single-stage model training for neural architecture search |
US20220383084A1 (en) * | 2021-05-28 | 2022-12-01 | Servicenow, Inc. | Layered Gradient Accumulation and Modular Pipeline Parallelism for Improved Training of Machine Learning Models |
CN113961351B (zh) * | 2021-10-28 | 2022-12-30 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
-
2023
- 2023-10-11 CN CN202311308790.5A patent/CN117057411B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248728A (zh) * | 2022-09-21 | 2022-10-28 | 之江实验室 | 面向智能计算的分布式训练任务调度方法、系统和装置 |
CN116450312A (zh) * | 2023-03-02 | 2023-07-18 | 阿里巴巴(中国)有限公司 | 面向流水线并行训练的调度策略确定方法及系统 |
CN116860999A (zh) * | 2023-07-07 | 2023-10-10 | 清华大学 | 超大语言模型分布式预训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117057411A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210248469A1 (en) | Method and apparatus for scheduling deep learning reasoning engines, device, and medium | |
EP4016398A1 (en) | Apparatus and method for distributed training model, and computer program product | |
US20230020324A1 (en) | Task Processing Method and Device, and Electronic Device | |
CN111400000A (zh) | 网络请求处理方法、装置、设备和存储介质 | |
JP2022017588A (ja) | 深層学習フレームワークのトレーニング方法、装置及び記憶媒体 | |
CN114490048A (zh) | 任务执行方法、装置、电子设备及计算机存储介质 | |
CN112329919B (zh) | 模型训练方法及装置 | |
CN117057411B (zh) | 一种大语言模型训练方法、装置、设备及存储介质 | |
CN115373861B (zh) | Gpu资源调度方法、装置、电子设备及存储介质 | |
CN115481594B (zh) | 计分板实现方法、计分板、电子设备及存储介质 | |
CN113656268B (zh) | 业务服务的性能测试方法、装置、电子设备和存储介质 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN116596091B (zh) | 模型训练方法、装置、设备以及存储介质 | |
CN116468824B (zh) | 动画重定向方法、装置、电子设备及存储介质 | |
CN115495312B (zh) | 业务请求处理方法和装置 | |
CN116578430A (zh) | 一种请求响应方法、装置、设备以及存储介质 | |
CN117742891A (zh) | 带vDPA设备的虚拟机的创建方法、装置、设备及存储介质 | |
CN117349016A (zh) | 资源分配方法、装置、设备及介质 | |
CN116932147A (zh) | 流式作业处理方法、装置、电子设备及介质 | |
CN117933353A (zh) | 强化学习模型训练方法、装置、电子设备及存储介质 | |
CN117009000A (zh) | 运行开源鸿蒙系统的组件、方法、装置、设备及介质 | |
CN117632431A (zh) | 云计算任务的调度方法、装置、设备及存储介质 | |
CN115248768A (zh) | 测试方法和装置 | |
CN117608779A (zh) | 调度周期确定方法、装置、设备及介质 | |
CN116149792A (zh) | 一种虚拟机处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |