分布式训练并行策略详解：DP/TP/PP/SP 如何选择

训练大模型，单机远远不够。本文全面解析四种并行策略，帮你选择最优方案。

---

一、为什么需要并行？

单机限制

显存限制：

• 单卡显存：40-80GB（主流）
• 70B 模型 FP16：140GB+
• 结论：单卡放不下

计算限制：

• 训练时间过长
• 无法在合理时间完成

并行目标

突破显存限制 - 训练更大模型

加速训练 - 缩短训练时间

提高资源利用率 - 多卡协同

---

二、四种并行策略

1. 数据并行（DP）

原理：

• 模型完整复制多份
• 数据分片到各卡
• 梯度同步更新

优点：

• 实现简单
• 通信量小（只传梯度）
• 适合中小模型

缺点：

• 每卡需放下完整模型
• 显存效率低

适用：

• 模型 < 单卡显存
• 卡数较少（< 8）

python
# PyTorch DDP 示例
model = torch.nn.parallel.DistributedDataParallel(model)

2. 张量并行（TP）

原理：

• 单层内切分矩阵
• 每卡计算部分
• 结果合并

优点：

• 突破单卡显存限制
• 适合超大层

缺点：

• 通信量大（每层都通信）
• 实现复杂
• 需要高速互联

适用：

• 超大模型（70B+）
• 卡间带宽高（NVLink）

切分方式：

• 行切分（Row Parallel）
• 列切分（Column Parallel）

3. 流水线并行（PP）

原理：

• 按层切分模型
• 每卡负责部分层
• 数据像流水线传递

优点：

• 显存效率高
• 适合超深网络
• 可跨机器

缺点：

• Pipeline Bubble（气泡）
• 通信频繁
• 实现复杂

适用：

• 超深网络（100+ 层）
• 多机训练

优化：

• 1F1B 调度（减少 bubble）
• 微批次（Micro-batch）

4. 序列并行（SP）

原理：

• 沿序列维度切分
• 每卡处理部分序列
• 针对 Attention 优化

优点：

• 降低显存（Attention 是 O(n²)）
• 适合长序列

缺点：

• 只适用于特定层
• 实现复杂

适用：

• 长序列场景
• 配合 TP 使用

---

三、混合并行策略

为什么需要混合？

单一并行的局限：

• DP：受限于单卡显存
• TP：通信开销大
• PP：Bubble 问题
• SP：适用范围有限

混合方案：

• 组合优势
• 灵活适配
• 最优效率

常见组合

2D 并行（DP+TP）：

• 适用：8-64 卡
• 配置：DP=4, TP=2
• 场景：中等模型

3D 并行（DP+TP+PP）：

• 适用：64-512 卡
• 配置：DP=8, TP=4, PP=2
• 场景：大模型

4D 并行（DP+TP+PP+SP）：

• 适用：512+ 卡
• 场景：超大模型 + 长序列

配置示例

训练 70B 模型（64 卡）：

总卡数：64
DP=8, TP=4, PP=2

每卡显存需求：
- 模型参数：70B / (8×4×2) = 1.1B
- 显存占用：约 10GB
- 加上激活、梯度：约 30GB
- A100 80GB：✅ 足够

---

四、框架实现

DeepSpeed

支持： ZeRO + 3D 并行

配置：

json
{
  "train_micro_batch_size_per_gpu": 4,
  "gradient_accumulation_steps": 4,
  "zero_optimization": {
    "stage": 3,
    "offload_optimizer": {
      "device": "cpu"
    }
  },
  "tensor_parallel": {
    "tp_size": 4
  },
  "pipeline": {
    "enabled": true,
    "num_stages": 2
  }
}

Megatron-LM

支持： TP+PP+DP

启动：

bash
python train.py \
  --tensor-model-parallel-size 4 \
  --pipeline-model-parallel-size 2 \
  --num-layers 24 \
  --hidden-size 1024

PyTorch FSDP

支持： 类似 ZeRO-3

代码：

python
from torch.distributed.fsdp import FullyShardedDataParallel

model = FSDP(model, sharding_strategy=FULL_SHARD)

---

五、性能优化

1. 通信优化

梯度压缩：

• 减少通信量
• 精度损失可控

通信重叠：

• 计算与通信并行
• 隐藏通信延迟

拓扑感知：

• 同机优先 TP
• 跨机优先 DP/PP

2. 显存优化

激活重计算：

• 牺牲计算换显存
• 显存减少 60-70%

ZeRO 优化：

• ZeRO-1：优化器分片
• ZeRO-2：梯度分片
• ZeRO-3：参数分片

3. 负载均衡

问题： 层大小不均导致负载不均衡

解决：

• 均衡切分
• 动态调度
• 虚拟流水线

---

六、选型指南

决策树

模型能放下单卡？
├─ 是 → DP 即可
└─ 否 → 
    需要跨机器？
    ├─ 是 → DP+PP（主）+TP（辅）
    └─ 否 → 
        卡间带宽高？
        ├─ 是 → DP+TP
        └─ 否 → DP+PP

推荐配置

模型规模	推荐方案	卡数
7B 以下	DP	1-8
7B-70B	DP+TP	8-64
70B+	DP+TP+PP	64-512
100B+ + 长序列	DP+TP+PP+SP	512+

避坑指南

❌ 盲目增加 TP - 通信开销可能超过收益 ✅ 先测试再扩展 - 从小规模验证

❌ 忽视网络拓扑 - 跨机 TP 效率低 ✅ 同机 TP，跨机 DP/PP

❌ 过度并行 - 管理复杂度高 ✅ 够用就好，逐步优化

---

总结

并行策略选择是系统工程：

理解原理 - 四种并行的特点

评估需求 - 模型规模、硬件条件

选择方案 - 匹配最优组合

持续优化 - 根据实际效果调整

核心原则： 简单优先，逐步复杂化。

---

*有问题欢迎交流讨论！*