Context Parallel 简介

作者: Xilun Wu, Chien-Chin Huang

备注

|编辑| 在 GitHub 中查看和编辑本教程。

What you will learn

• Context Parallel API

• 在 TorchTitan 中使用 Context Parallel 进行 1M 序列训练

Prerequisites

• PyTorch 2.7 或更高版本

简介

Context Parallel 是在大型语言模型训练中使用的一种方法，通过将长输入序列分片到多个设备上来减少峰值激活大小。它突破了因 Transformer 块中激活存储的峰值内存使用约束而导致的输入序列长度限制。

Ring Attention 是一种新颖的 Attention 层并行实现，对于高效的 Context Parallel 至关重要。Ring Attention 通过对 KV 分片进行洗牌并计算部分 Attention 分数，一直重复直到每台设备都使用了所有 KV 分片。已实现两种 Ring Attention 的变体：基于全收集的传递 KV 和 基于全交换的传递 KV：

1. 基于全收集的传递 KV 算法用于 Llama3 训练，该算法最初对关键和价值张量执行全收集，然后计算本地查询张量块的注意力输出。我们修改后的基于全收集的传递 KV 算法同时全收集 KV 分片，并使用本地关键和价值张量块计算本地查询张量块的注意力输出，然后对本地查询张量和剩余 KV 分片进行最终计算。这允许一定程度的注意力计算和全收集集合之间的重叠。例如，在 Llama3 训练的情况下，我们还对序列维度上的``freq_cis``进行分片。

2. 全交换方法使用交错的全交换集合对 KV 分片进行环状洗牌，以重叠 SDPA（缩放点积注意力）计算和下一次 SDPA 所需的全交换通信。

Context Parallel API 包含两个部分:

1. context_parallel() 允许用户创建一个 Python 上下文，其中 SDPA 函数（torch.nn.functional.scaled_dot_product_attention）将自动替换为 Ring Attention。要沿某个维度对张量进行切分，只需将张量及其切分的维度分别传递给参数 buffers 和 buffer_seq_dims。我们建议用户将沿序列维度计算的张量添加到 buffers 并沿此维度进行切分。以 Llama3 训练为例，如果 buffers 中缺少 freq_cis，将导致旋转嵌入的计算错误。

2. set_rotate_method() 允许用户在基于全收集的 pass-KV 方法和基于全到全的 pass-KV 方法之间进行选择。

设置

通过使用 torch.distributed.tensor.experimental.context_parallel()，用户可以轻松地切分张量输入，并并行化 SDPA 函数的执行。为了更好地展示此 API 的使用，我们从一个执行 SDPA 的简单代码片段开始，然后使用 API 并行化它：

import torch
import torch.nn.functional as F

from torch.nn.attention import sdpa_kernel, SDPBackend


def sdpa_example():
    assert torch.cuda.is_available()
    torch.cuda.set_device("cuda:0")
    torch.cuda.manual_seed(0)

    batch = 8
    nheads = 8
    qkv_len = 8192
    dim = 32
    backend = SDPBackend.FLASH_ATTENTION
    dtype = (
        torch.bfloat16
        if backend == SDPBackend.FLASH_ATTENTION
        or backend == SDPBackend.CUDNN_ATTENTION
        else torch.float32
    )

    qkv = [
        torch.rand(
            (batch, nheads, qkv_len, dim),
            dtype=dtype,
            requires_grad=True,
            device='cuda',
        )
        for _ in range(3)
    ]
    # specify the SDPBackend to use
    with sdpa_kernel(backend):
        out = F.scaled_dot_product_attention(*qkv, is_causal=True)


if __name__ == "__main__":
    sdpa_example()

启用上下文并行

现在，让我们首先将其调整为一个分布式程序，其中每个 rank 都有相同的张量输入。然后我们应用上下文并行 API 来切分输入并在各个 rank 间分配计算：

# file: cp_sdpa_example.py
import os

import torch
import torch.distributed as dist
import torch.nn.functional as F
from torch.distributed.device_mesh import init_device_mesh
from torch.distributed.tensor.experimental import context_parallel
from torch.distributed.tensor.experimental._attention import context_parallel_unshard
from torch.nn.attention import sdpa_kernel, SDPBackend


def context_parallel_sdpa_example(world_size: int, rank: int):
    assert torch.cuda.is_available()
    assert dist.is_nccl_available()
    torch.cuda.set_device(f"cuda:{rank}")
    torch.cuda.manual_seed(0)

    dist.init_process_group(
        backend="nccl",
        init_method="env://",
        world_size=world_size,
        rank=rank,
    )
    device_mesh = init_device_mesh(
        device_type="cuda", mesh_shape=(world_size,), mesh_dim_names=("cp",)
    )

    batch = 8
    nheads = 8
    qkv_len = 64
    dim = 32
    backend = SDPBackend.FLASH_ATTENTION
    dtype = (
        torch.bfloat16
        if backend == SDPBackend.FLASH_ATTENTION
        or backend == SDPBackend.CUDNN_ATTENTION
        else torch.float32
    )

    qkv = [
        torch.rand(
            (batch, nheads, qkv_len, dim),
            dtype=dtype,
            requires_grad=True,
            device='cuda',
        )
        for _ in range(3)
    ]
    # specify the SDPBackend to use
    with sdpa_kernel(backend):
        out = F.scaled_dot_product_attention(*qkv, is_causal=True)

    # make a clean copy of QKV for output comparison
    cp_qkv = [t.detach().clone() for t in qkv]

    with sdpa_kernel(backend):
        # This `context_parallel()` performs two actions:
        # 1. Shard the tensor objects in `buffers` in-place along the dimension
        #    specified in `buffer_seq_dims`, the tensors in `buffers` and their
        #    sharding dims in `buffer_seq_dims` are organized in the same order.
        # 2. Replace the execution of `F.scaled_dot_product_attention` with a
        #    context-paralleled-enabled Ring Attention.
        with context_parallel(
            device_mesh, buffers=tuple(cp_qkv), buffer_seq_dims=(2, 2, 2)
        ):
            cp_out = F.scaled_dot_product_attention(*cp_qkv, is_causal=True)

        # The output `cp_out` is still sharded in the same way as QKV
        # the `context_parallel_unshard` API allows users to easily
        # unshard to gain the full tensor.
        (cp_out,) = context_parallel_unshard(device_mesh, [cp_out], [2])

    assert torch.allclose(
        cp_out,
        out,
        atol=(1e-08 if dtype == torch.float32 else 1e-03 * world_size),
    )


if __name__ == "__main__":
    rank = int(os.environ["RANK"])
    world_size = int(os.environ["WORLD_SIZE"])

    try:
        context_parallel_sdpa_example(world_size, rank)
    finally:
        dist.barrier()
        dist.destroy_process_group()

您可以使用命令 torchrun --standalone --nnodes=1 --nproc-per-node=4 cp_sdpa_example.py 在 4 个 GPU 上启动上述的上下文并行 SDPA。通过将 Ring Attention 的输出与单个 GPU 上 SDPA 的输出进行比较，我们展示了其数值准确性。

选择旋转方法

您可以通过使用 torch.distributed.tensor.experimental._attention.set_rotate_method() 在 Ring Attention 中选择所需的切分旋转方法：

# file: cp_sdpa_example.py
from torch.distributed.tensor.experimental._attention import set_rotate_method

set_rotate_method("alltoall")  # rotate shards using all-to-all

with sdpa_kernel(backend):
    with context_parallel(
        device_mesh, buffers=tuple(cp_qkv), buffer_seq_dims=(2, 2, 2)
    ):
        cp_out = F.scaled_dot_product_attention(*cp_qkv, is_causal=True)

默认的旋转方法是基于全收集的 pass-KV。

总结

在本教程中，我们学习了如何使用 Context Parallel API 来轻松地沿序列维度并行化 SDPA 计算。有关设计和实现细节、性能分析以及在 TorchTitan 中的端到端训练示例，请参阅我们在 PyTorch 原生长上下文训练 上的帖子。