DeepSpeed Ulysses: System Optimizations for Enabling Training of Extreme Long Sequence Transformer Models

要約

典型的な Transformer ベースの大規模言語モデル (LLM) での計算は、バッチ サイズ、隠れ次元、層の数、およびシーケンスの長さによって特徴付けることができます。
これまで、LLM トレーニングを高速化するためのシステム作業は、最初の 3 つの次元、つまりバッチ サイズのデータ​​並列処理、隠れサイズのテンソル並列処理、モデルの深さまたはレイヤーのパイプライン並列処理に焦点を当ててきました。
これらの広く研究されている並列処理の形式は、長いシーケンスの Transformer モデルを対象としたり、最適化したりすることはありません。
長いシーケンス LLM の実用的なアプリケーションのニーズを考慮して、シーケンスの並列処理に新たな注目が集まっています。
ただし、シーケンス並列処理における既存の作業はメモリ通信の非効率性によって制約され、長いシーケンスの大規模モデルに対するスケーラビリティが制限されます。
この研究では、非常に長いシーケンス長で高効率かつスケーラブルな LLM トレーニングを可能にする、新しくポータブルで効果的な手法である DeepSpeed-Ulysses を紹介します。
DeepSpeed-Ulysses の核心は、シーケンス次元に沿って入力データを分割し、アテンションの計算に効率的な全対全集合通信を採用します。
理論的な通信分析によると、他の方式ではシーケンス長が増加すると通信オーバーヘッドが発生しますが、DeepSpeed-Ulysses ではシーケンス長と計算デバイスが比例して増加しても一定の通信量が維持されます。
さらに、実験による評価では、DeepSpeed-Ulysses は既存のメソッド SOTA ベースラインよりも 4 倍長いシーケンス長で 2.5 倍高速にトレーニングすることが示されています。

要約(オリジナル)

Computation in a typical Transformer-based large language model (LLM) can be characterized by batch size, hidden dimension, number of layers, and sequence length. Until now, system works for accelerating LLM training have focused on the first three dimensions: data parallelism for batch size, tensor parallelism for hidden size and pipeline parallelism for model depth or layers. These widely studied forms of parallelism are not targeted or optimized for long sequence Transformer models. Given practical application needs for long sequence LLM, renewed attentions are being drawn to sequence parallelism. However, existing works in sequence parallelism are constrained by memory-communication inefficiency, limiting their scalability to long sequence large models. In this work, we introduce DeepSpeed-Ulysses, a novel, portable and effective methodology for enabling highly efficient and scalable LLM training with extremely long sequence length. DeepSpeed-Ulysses at its core partitions input data along the sequence dimension and employs an efficient all-to-all collective communication for attention computation. Theoretical communication analysis shows that whereas other methods incur communication overhead as sequence length increases, DeepSpeed-Ulysses maintains constant communication volume when sequence length and compute devices are increased proportionally. Furthermore, experimental evaluations show that DeepSpeed-Ulysses trains 2.5x faster with 4x longer sequence length than the existing method SOTA baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google