Microsoft開源了零冗余優(yōu)化器版本2（ZeRO-2），這是一種分布式深度學習優(yōu)化算法，可根據(jù)集群大小進行超線性擴展。與以前的分布式學習技術相比，Microsoft使用ZeRO-2培訓了10倍的1000億參數(shù)自然語言處理（NLP）模型。

程序經(jīng)理Rangan Majumder和杰出的工程師Wang Junhua在博客中寫道，描述了該算法及其實驗。ZeRO-2是Microsoft開源DeepSpeed庫的一部分，用于深度學習培訓優(yōu)化。ZeRO-2優(yōu)化了訓練過程中的內存消耗，允許對多達1，700億個參數(shù)的模型進行分布式訓練。該算法還減少了分布式集群中工作節(jié)點之間的通信，實現(xiàn)了超線性并行加速，從而將培訓時間減少了多達10倍。DeepSpeed團隊在1，024個GPU的集群上使用ZeRO-2，達到了創(chuàng)紀錄的44分鐘的時間來訓練BERT自然語言模型，比NVIDIA的結果提高了30%以上。

NLP研究的最新趨勢表明，通過在較大數(shù)據(jù)集上訓練的較大模型，可以提高準確性。OpenAI提出了一套“縮放定律”，表明模型精度與模型大小具有冪律關系，并且最近通過創(chuàng)建具有1750億個參數(shù)的GPT-3模型對該想法進行了測試。由于這些模型太大而無法容納單個GPU的內存，因此對其進行訓練需要一堆機器和模型并行訓練技術，以在整個集群中分配參數(shù)。有幾種實現(xiàn)有效的模型并行性的開源框架，包括GPipe和NVIDIA的Megatron，但是由于集群節(jié)點之間的通信開銷，它們具有次線性加速，并且使用框架通常需要模型重構。

ZeRO-2使用以下三種策略來減少訓練所需的內存：減少模型狀態(tài)內存需求，將層激活卸載到CPU以及減少內存碎片。ZeRO-2可以通過在并行進程之間劃分梯度和參數(shù)，將模型狀態(tài)內存需求減少多達8倍。層激活值是從前向訓練過程中保存的，以便稍后在后向過程中使用，但是ZeRO-2將它們暫時從GPU的內存移動到主機CPU的內存。最后，即使可用內存不連續(xù)，即使內存可用，內存分配也可能失敗。ZeRO-2通過為連續(xù)用途（例如激活和漸變）預先分配連續(xù)的內存塊來減少碎片。