Distribuované trénování s více GPU

Důležité

Tato funkce je v beta verzi. Správci pracovního prostoru můžou řídit přístup k této funkci ze stránky Previews . Podívejte se na Správa náhledů Azure Databricks.

Tato stránka obsahuje příklady poznámkových bloků pro distribuované trénování s více GPU pomocí AI Runtime. Tyto příklady ukazují, jak škálovat trénování napříč několika grafickými procesory a uzly pro lepší výkon.

Poznámka:

U grafických procesorů H100 se podporuje distribuované trénování s více GPU.

Volba techniky paralelismu

Při škálování trénování modelu napříč několika GPU závisí volba správné techniky paralelismu na velikosti modelu, dostupné paměti GPU a požadavcích na výkon.

Technika	Kdy ho použít
DDP (Distribuované paralelní zpracování dat)	Plný model se vejde do paměti s jedním GPU; potřeba škálování propustnosti dat
FSDP (Plně rozdělená paralelní data)	Velmi velké modely, které se nevejdou do jedné paměti GPU
DeepSpeed ZeRO	Velké modely s pokročilými potřebami optimalizace paměti

Podrobné informace o jednotlivých technikách najdete v tématu DDP, FSDP a DeepSpeed.

Ukázkové poznámkové bloky podle techniky a frameworku

Následující tabulka uspořádá ukázkové poznámkové bloky podle architektury nebo knihovny, kterou používáte, a použité techniky paralelismu. V jedné buňce se může zobrazit více poznámkových bloků.

Framework/knihovna	Příklady DDP	Příklady FSDP	Příklady DeepSpeed
PyTorch (nativní)	Jednoduchá neurální síť MLP Detekce obrazu pomocí RetinaNet	Transformátor parametrů 10M	—
Huggingface TRL	Vyladění operačního systému Gpt 20B	Vyladění operačního systému Gpt 120B	Vyladění Llama 3,2 1B
Unsloth	Vyladění Llama 3,2 3B	—	—
Axolotl	Vyladit Olmo3 7B	—	—
Mosaic LLM Foundry	Vyladění Llama 3.2 8B	—	—
Blesk	Dvouvěžový doporučovací systém	—	—

Začínáme

Následující kurzy vám pomůžou začít s bezserverovou knihovnou GPU Python pro distribuované trénování:

Tutoriál	Description
Modul runtime AI s grafickými procesory H100	Naučte se používat Databricks AI Runtime s akcelerátory H100 ke spouštění distribuovaných úloh GPU pomocí knihovny serverless_gpu Pythonu.