激活分载

通常，向前传递计算每层的激活次数，并将它们保存在GPU内存中，直到相应层的向后传递完成。在向前传递后将这些张量卸载到CPU内存中，然后将它们提取回需要GPU时可以节省大量GPU的内存使用量。 PyTorch 支持卸载激活，但是实现会导致在GPUs向后传递期间从中CPU获取激活时处于空闲状态。在使用激活卸载时，这会导致性能严重下降。

SMPv2 改进了这种激活卸载。它会在需要激活之前提前预取激活，GPU以便开始向后传递这些激活。预取功能有助于在不闲置的情况下更高效地运行训练进度。GPUs这样既可以降低内存使用量，又不会降低性能。

您可以在训练脚本中保留用于卸载激活的本机 PyTorch 模块。以下是在脚本中应用SMP激活卸载功能的示例结构。请注意，激活卸载仅在与 激活检查点 一起使用时才适用。要了解有关用于激活卸载的本机 PyTorch 检查点工具的更多信息，请参阅：

您可以在SMP激活检查点上应用激PyTorch 活卸载功能。这是通过在SMP配置字典中添加sm_activation_offloading和activation_loading_horizon参数来完成的步骤 2：启动训练作业。

以下代码片段展示了如何在遵循中介绍的两步过程的同时，将SMP初始化模块torch.sagemaker.init()添加到训练脚本中，并按照训练作业启动器的JSON格式设置SMP配置字典。使用 SageMaker 模型并行度库 v2您无需对 PyTorch 模型或PyTorch FSDP配置进行任何更改。有关 sm_activation_offloading 和 activation_loading_horizon 参数的更多信息，请参阅 SMPv2 核心功能配置参数。

SMP 配置

{
    "activation_loading_horizon": 2,
    "sm_activation_offloading": True
}

在训练脚本中

import torch.sagemaker as tsm
tsm.init()

# Native PyTorch module for activation offloading
from torch.distributed.algorithms._checkpoint.checkpoint_wrapper import (
    apply_activation_checkpointing, 
    offload_wrapper,
)

model = FSDP(...)

# Activation offloading requires activation checkpointing.
apply_activation_checkpointing(
    model,
    check_fn=checkpoint_transformer_layers_policy,
)

model = offload_wrapper(model)