分布式训练中的专家并行

标准数据并行通过在每个设备上处理不同数据批次，可以有效地扩展多个设备的训练，但这要求模型的完整副本驻留在每个设备上。对于拥有数千亿甚至数万亿参数 (parameter)的专家混合模型来说，这是不可行的；完整参数集的内存需求远远超出任何单个加速器的容量。

对于Mixture of Experts模型，由于其参数量非常大，标准数据并行训练方法会遇到内存限制，因为它要求每个设备存储模型的完整副本，这往往超出单个加速器的容量。专家并行是一种专门的分布式训练技术，旨在应对这类内存难题。专家并行不是复制整个模型，而是将专家分片到可用设备上。每个设备只拥有一部分总专家，而模型的非MoE部分（如自注意力 (self-attention)块和门控网络）仍保持复制。

All-to-All 通信模式

专家并行的一个显著特点是它依赖于一种名为All-to-All的通信集合。当一个令牌需要由位于不同设备上的专家处理时，它必须通过网络进行物理发送。这在每个MoE层内分两阶段进行。

1. 令牌分派（第一次 All-to-All）： 每个设备上复制的门控网络为其本地批次令牌确定专家分配后，会发生一次全局数据洗牌。每个设备将其令牌发送到拥有其指定专家的特定设备。
2. 结果聚合（第二次 All-to-All）： 远程专家处理完其指定令牌后，生成的输出表示会发送回其原始源设备。

此过程确保每个令牌都由正确的专家处理，无论该专家位于何处，并且令牌表示会返回其原始序列顺序，以继续前向传播。

下图显示了数据在两个设备（GPU）间的流动，每个设备拥有一组不同的专家。

专家并行中的数据流。本地令牌通过第一次All-to-All通信步骤（红色）路由到其他设备上的专家。处理后，结果通过第二次All-to-All步骤（蓝色）返回到其原始设备。

性能影响和权衡

专家并行巧妙地解决了内存问题，使得模型能够扩展到数万亿参数 (parameter)。然而，这项优势伴随着显著的通信开销。All-to-All操作是分布式计算中带宽消耗最大的集合操作之一，因为每个设备必须同时与其他所有设备通信。

此操作的性能受限于设备间的互连带宽（例如，节点内GPU的NVLink，或多节点设置的网络结构）。洗牌的总数据量与令牌数量、它们的隐藏维度以及每个令牌被路由到的专家数量（Top-k路由中的 $k$）成比例。

这带来一个重要的权衡：

• 内存节省： 可以存储更大的模型。
• 通信成本： 训练吞吐量 (throughput)现在对网络带宽很敏感，而不仅仅是对计算（FLOPs）能力敏感。

在实践中，这意味着简单地增加更多设备并不能保证线性加速。All-to-All洗牌的效率成为总训练时间中的一个主要影响因素。

代码实现

虽然底层逻辑复杂，但为大规模训练设计的现代深度学习 (deep learning)框架抽象掉了大部分难度。DeepSpeed或fairscale等库提供了自动处理专家分片和通信的模块。

下面是分布式MoE层内部发生情况的简化伪代码表示。

# 单设备上专家并行前向传播的伪代码

# 非MoE层照常处理
x = self_attention(input_tokens)

# 门控网络在所有设备上复制
# 它计算其本地令牌的分配
gate_logits = gating_network(x)
local_assignments = top_k_router(gate_logits)

# 第一次 All-to-All：将令牌洗牌到拥有目标专家的设备。
# 框架处理底层通信。
# 每个设备接收一批旨在供其本地专家处理的令牌。
shuffled_tokens = all_to_all_dispatch(x, local_assignments)

# 使用本地专家子集处理接收到的令牌。
# 这些专家只存在于此设备上。
processed_shuffled_tokens = local_experts(shuffled_tokens)

# 第二次 All-to-All：将处理过的令牌洗牌回其原始设备。
# 这恢复了原始令牌顺序。
output_tokens = all_to_all_combine(processed_shuffled_tokens, local_assignments)

# 模型的其余部分继续进行
...

这种模型分片策略是训练真正大规模MoE模型的根本。然而，它很少单独使用。为获得最高效率，专家并行几乎总是与其他并行技术结合使用，我们将在下一节讨论该主题。