StreamSparkAI

本次讲座探讨了在训练大规模语言模型时进行多机优化的并行计算问题。由于单个GPU在算力和内存方面均无法满足大型模型的需求，必须采用跨机器并行策略。讲座首先介绍了网络基础，强调了硬件层级结构的重要性：单台机器内的多个GPU通过NVSwitch等高速接口互连，而机器间的通信则依赖相对较慢的网络交换机（如InfiniBand）。这种异构通信特性（节点内快、节点间慢）以及特定规模（如256个GPU）内的高速全互联能力，对并行策略的选择有深远影响。随后，讲座回顾了关键的集体通信操作，如AllReduce、Broadcast、AllGather和ReduceScatter，并特别指出AllReduce操作可以分解为ReduceScatter和AllGather操作，这在带宽受限的情况下能达到最优通信效率。讲座旨在阐释如何结合不同的并行化策略高效训练超大规模模型，并将通过案例分析展示这些策略在实际大规模分布式训练中的应用。

演讲者首先介绍了课程作业的安排，并点明本次讲座的核心内容是图形处理器（GPU）。GPU对语言模型的运行至关重要，讲座旨在揭开CUDA和GPU的神秘面纱，帮助理解其工作原理及性能波动的原因，例如为何在特定矩阵乘法规模下GPU会变慢。学习目标包括让听众熟悉GPU，并能够利用CUDA等工具加速算法，例如理解FlashAttention这类高效算法的构建基础。演讲者提及了硬件发展的重要性，指出深度学习的进步得益于更快的硬件、更优的利用率和并行化。接着，演讲回顾了计算能力扩展的历史，从早期依赖登纳德缩放定律（Dennard scaling）提升CPU单核性能，到该趋势饱和后，转向并行计算的必要性，这也是GPU发展的关键。演讲者对比了CPU和GPU的设计理念：CPU侧重于低延迟，拥有复杂的控制单元以快速完成单个任务；而GPU则侧重于高吞吐量，通过大量并行计算单元（如ALU）同时处理多个任务，即使单个任务延迟可能更高，但总体处理效率更高。最后，演讲者初步介绍了GPU的内部结构，核心概念是流式多处理器（SM），每个SM包含多个流处理器（SP），SM负责控制逻辑和任务分发，而SP则对不同数据执行相同的指令，实现大规模并行计算。