问题
以ChatGPT为代表的大模型在文字生成、语义理解等任务上表现卓越，但大模型的参数量在3年内增长数万倍，且仍呈现增长的趋势。大模型训练面临存储挑战，存储需求大，且具有独特的计算模式、访存模式、数据特征，这使得针对互联网、大数据等应用的传统存储技术在处理大模型训练任务时效率低下，且容错开销大。
面向大模型训练的存储加速技术
基于大模型计算模式的分布式显存管理技术
依据大模型计算任务的划分模式和计算任务间的依赖关系，设计模型数据在分布式集群中的划分、存储和传输策略。
细分为2种模式：模型层间并行，以张量为粒度对模型数据进行拆分；模型层内并行，以张量种某一维度为粒度对模型数据进行拆分。
模型层间并行，数据并行：
模型层间并行，流水线并行：
模型层内并行，张量并行：
大模型训练访存感知的异构存储技术
借助大模型训练中的访存模式可预测的特性，设计异构设备中的数据预取和传输策略。同时利用GPU显存、DRAM、SSD，将模型参数、优化器数据、训练中间结果卸载，根据预测的仿存模式进行预取。
基于DRAM的异构存储技术：
-
异步显存管理：异步分配显存空间
-
异步数据传输：将计算和传输重叠，预取
-
显存卸载策略：静态策略（仅卸载卷积层）、动态策略（根据显存开销动态卸载）
基于SSD的异构存储技术：
结合使用数据压缩和卸载，降低数据传输开销
大模型数据缩减技术
针对大模型数据的特征，通过增加计算量或牺牲模型精度，对模型训练过程中的数据进行缩减。
激活量检查点与重算：在前向传播时，仅保存少量的激活量作为检查点，并丢弃其他的激活量。在反向传播需要使用丢弃的激活量时，系统利用激活量检查点重新进行前向传播，以恢复之前所丢弃的激活量。
混合精度训练与量化：使用半精度（FP16）降低显存开销，通过权重备份（额外保留全精度模型参数，训练使用半精度参数）、损失量（loss）扩展、算数精度提高，避免数据溢出、误差、不收敛、梯度过小的问题。
各种方法比较
针对大模型训练的存储容错技术
参数检查点技术
将大模型参数存储至持久化存储介质，GPU故障后利用最新且完整的参数进行恢复。
面临挑战：参数持久化开销大，会阻塞计算任务；参数检查点频率会影响训练和恢复效率。
将检查点过程拆分，与模型训练重叠：
冗余计算技术
在多张GPU中重复计算相同版本的参数。
总结
大模型训练过程中对存储需求大，具有独特的计算模式、访存模式、数据特征，需要根据特征设计合适的存储策略。大模型训练存储加速技术：（1）显存管理：数据并行、流水线并行、张量并行。（2）异构存储技术：利用DRAM、SSD，卸载模型参数、优化器数据、中间结果，并进行预取。（3）数据缩减：增加计算量（激活量重算）或牺牲模型精度（半精度训练）。大模型训练容错技术：（1）参数检查点：将检查点过程拆分，与模型训练重叠。（2）冗余计算：在多张GPU重复计算。