本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

张量并行性

张量并行性是模型并行性的一种，它在设备之间拆分特定的模型权重、梯度和优化器状态。管道并行性保持单个权重不变，但将权重、梯度或优化器集分割到不同设备上，而张量并行则将单个权重分割开来。这通常涉及对模型的特定运算、模块或层进行分布式计算。

在单个参数占用大部分 GPU 内存的情况下（例如词汇表很大的大型嵌入表，或者具有大量类的大型 softmax 层），则需要张量并行性。在这种情况下，将这种大张量或运算视为原子单元的效率会很低，并且会阻碍内存负载的平衡。

SMP v2 与 Transform er Engin e 集成以实现张量并行性，并在 FSDP 之上运行。 PyTorch APIs您可以同时启用 PyTorch FSDP 和 SMP 张量并行度，并确定最佳模型并行度以获得最佳性能。

在实践中，张量并行在以下场景下尤其有用。

Hugging Face 转换器模型兼容 SMP 张量并行

SMP v2 目前可为以下 Hugging Face 转换器模型提供张量并行支持。

有关在这些模型上应用张量并行的参考配置，请参阅 配置提示。

配置张量并行

对于 tensor_parallel_degree，您可以为张量并行选择一个值。该值必须平均除以集群 GPUs 中的数量。例如，要在使用带有 8 的实例时对模型进行分片 GPUs，请选择 2、4 或 8。我们建议您从一个较小的数字开始，然后逐渐增加，直到模型适合 GPU 内存。

以下代码片段显示了如何在训练脚本中添加 SMP 初始化模块 torch.sagemaker.init()，并按照 使用 SageMaker 模型并行度库 v2 中介绍的两步流程，为训练作业启动器设置 JSON 格式的 SMP 配置字典。您无需对 PyTorch 模型或 PyTorch FSDP 配置进行任何更改。有关 tensor_parallel_degree 和 random_seed 参数的更多信息，请参阅 SMP v2 核心功能配置参数。

SMP 配置

{
    "tensor_parallel_degree": 8,
    "random_seed": 0 
}

在您的训练脚本中

使用 torch.sagemaker.init() 初始化以激活 SMP v2，然后使用 torch.sagemaker.transform API 封装模型。

import torch.sagemaker as tsm
tsm.init()

from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_config(..)
model = tsm.transform(model)

保存和加载 Hugging Face 转换器检查点

SMP 库转换模型后，会更改模型的状态字典 (state_dict)。这意味着此模型与最初的 Hugging Face 转换器检查点功能不兼容。为了处理这个问题，SMP 库提供了 APIs 以 Hugging Face Transformer 表示形式保存变换模型中的检查点，以及用于加载 Hugging Face Transformer 模型检查点以进行微调的 torch.sagemaker.transform API。

有关在使用 SMP v2 张量并行功能时保存检查点的更多信息，请参阅 使用 SMP 的检查点。

有关应用 SMP v2 的张量并行功能对模型进行微调的更多信息，请参阅 微调。