近期免費上線的視頻生成平臺Video Ocean，支持任意角色、任意風格，可以文生視頻、圖生視頻、角色生視頻，引起廣泛關(guān)注與肯定，登上Product Hunt全球產(chǎn)品熱度榜單第三。

體驗地址：https://video.luchentech.com/zh-CN

Video Ocean如何以極低成本快速完成迭代？開源解決現(xiàn)已方案發(fā)布。

二次開發(fā)分享至開源社區(qū)，還可領(lǐng)取500元GPU算力代金券。

開源地址：https://github.com/hpcaitech/Open-Sora

Colossal-AI

在Video Ocean背后，離不開AI大模型訓(xùn)練推理系統(tǒng)Colossal-AI的基礎(chǔ)支持，其在GitHub全球AI訓(xùn)推系統(tǒng)開源領(lǐng)域指標位列世界第一，已獲近4萬Stars。

開源地址：https://github.com/hpcaitech/ColossalAI

它基于PyTorch，可通過高效多維并行、異構(gòu)內(nèi)存等，降低AI大模型訓(xùn)練/微調(diào)/推理的開發(fā)與應(yīng)用成本，已與多家世界/中國500強企業(yè)聯(lián)合開發(fā)和優(yōu)化AI大模型。

針對類Sora視頻大模型開發(fā)，Colossal-AI做了多方面的優(yōu)化，模型算力利用率MFU相對現(xiàn)有其他開源方案總體最高提升可達2.61倍，顯著降低成本。

異步Checkpoint

在使用大規(guī)模集群訓(xùn)練時，因集群規(guī)模擴大，故障率會迅速上升，導(dǎo)致訓(xùn)練極易中斷。在這種情況下快速保存Checkpoint不僅可以加速整體訓(xùn)練效率，也有利于故障容錯，快速恢復(fù)訓(xùn)練。

為此，Colossal-AI推出了異步Checkpoint功能。針對10B量級的視頻生成模型，可將DiT模型、EMA模型、優(yōu)化器的保存時間從300s+，降至10s以內(nèi)，節(jié)省了高達97%的保存時間。

Checkpoint保存主要分為GPU->CPU（D2H）和硬盤寫兩個步驟，通過將這兩個步驟通過流水線的形式執(zhí)行，極大的提高了保存的效率。同時此步驟通過多線程（C++）的形式在后臺完成，不會阻塞訓(xùn)練主進程。GPU->CPU通過單獨的CUDA Stream完成，也不會阻塞主計算Stream。

流水線保存Checkpoint

除此之外，通過使用safetensors格式，因其安全、零拷貝的特性，也提升了讀取的性能。

Zero內(nèi)存/通信優(yōu)化

常見的ZeRO通信方式

優(yōu)化后的ZeRO通信方式

Colossal-AI在常見的ZeRO通信方式基礎(chǔ)上，通過進一步將參數(shù)的All-gather和下一輪訓(xùn)練的前向計算重疊，以達到更高的訓(xùn)練效率。

使用bucket來進行Zero-DP的通信是常見的優(yōu)化手段，但是在使用bucket的過程中存在大量的內(nèi)存拷貝操作。當集群規(guī)模擴大時，內(nèi)存拷貝操作的開銷會逐漸增大。為解決這個問題，通過將內(nèi)存拷貝操作進行融合，降低了內(nèi)存拷貝的開銷。

同時，隨著集群規(guī)模擴大，通信算子All-Gather和Reduce-Scatter的速度衰減非常嚴重。在bucket size較小時，降速更加明顯（例如Torch DDP默認的25MB）。

Colossal-AI從兩個方面來解決這個問題。

首先可以通過增大bucket size來減緩?fù)ㄐ沤邓?，但是bucket size不能無限增大，過大的bucket size會影響計算和通信的重疊。通過以下公式粗略搜索得到較優(yōu)的bucket size，再實際測試進行精調(diào)。

其中，φ_B為bucket size，φ為模型大小，T_bwd為反向計算時間，T_comm為bucket單次通信時間。

其次，當集群規(guī)模很大時，Colossal-AI引入2d torus方式的通信能夠減緩?fù)ㄐ沤邓賳栴}。

2d torus通信

經(jīng)過聯(lián)合優(yōu)化后，在視頻模型訓(xùn)練的場景下，集群規(guī)模很大時也能保證scaling > 95%，在大規(guī)模多機訓(xùn)練中能達到~30%的加速。

數(shù)據(jù)加載優(yōu)化

loader = DataLoader(dataset, batch_size=2, collate_fn=collate_wrapper,
                    pin_memory=True)

PyTorch dataloader提供了自動Pin memory的功能，能大幅度提高把數(shù)據(jù)從CPU移動到GPU的時間，是非常實用的一項功能。其通過Python多線程來實現(xiàn)自動Pin memory。

但是由于GIL的存在，Python的多線程并非傳統(tǒng)意義上的多線程。同時Pin memory操作調(diào)用的cudaMallocHost 可能會阻塞主進程（影響主CUDA Stream）。當使用高清/長視頻進行訓(xùn)練時，pin memory需要申請的內(nèi)存較大，這個問題會更加明顯。

具體表現(xiàn)為，開啟Pin memory之后，某個進程的某一部分操作可能比別的進程更慢，從而造成一定的不同步性，而不同步性在大規(guī)模集群訓(xùn)練時對整體訓(xùn)練效率影響較大。

為解決這個問題，Colossal-AI將dataloader進行了改造，通過預(yù)分配和緩存pin memory的機制，盡量避免在訓(xùn)練過程中調(diào)用cudaMallocHost。如果設(shè)置合理，緩存命中率可以達到100%，即不會影響訓(xùn)練速度，并且不會消耗過多的RAM cache。

FP8混合精度訓(xùn)練

Colossal-AI支持主流的BF16(O2) + FP8(O1)的新一代混合精度訓(xùn)練方案。

僅需一行代碼，即可對主流大模型能夠獲得平均30%的加速效果，并保證訓(xùn)練收斂性，降低相應(yīng)大模型開發(fā)成本。

使用時，僅需在初始化plugin時開啟FP8即可：

from colossalai.booster.plugin import GeminiPlugin, HybridParallelPlugin, LowLevelZeroPlugin
...
plugin = LowLevelZeroPlugin(..., use_fp8=True)
plugin = GeminiPlugin(..., use_fp8=True)
plugin = HybridParallelPlugin(..., use_fp8=True)

除此之外，無需引入額外的手寫CUDA算子，避免了較長的AOT編譯時間及復(fù)雜的編譯環(huán)境配置。

序列并行優(yōu)化

Colossal-AI針對VideoOcean模型支持了多種序列并行范式，包括Tensor sequence parallelism，Ring attention （context parallelism）和Sequence parallelism（Ulysses），這幾種范式可以單獨使用也可以聯(lián)合使用。

同時根據(jù)視頻數(shù)據(jù)的特征（激活值特別大），進一步優(yōu)化了Ring attention的通信，使用ND-ring來應(yīng)對復(fù)雜的硬件配置。

當視頻模型scale到數(shù)百億參數(shù)量級，并且使用高清、較長的視頻訓(xùn)練時，大規(guī)模多機訓(xùn)練和混合并行訓(xùn)練幾乎是標配。

在這種情況下，Colossal-AI對序列并行的優(yōu)化可以應(yīng)對各種情形，尤其是大視頻導(dǎo)致序列需要跨機的情況加速效果顯著。

卷積層張量并行優(yōu)化

Colossal-AI對適用于高清視頻、長視頻的VAE進行了針對性優(yōu)化。

對這類數(shù)據(jù)，CUDNN的3D卷積會產(chǎn)生非常大的激活值，為此Colossal-AI實現(xiàn)了分塊卷積和張量并行。

與Transformer中的張量并行不同，Colossal-AI對VAE用了一種新的張量并行方式以適配其巨大的激活值，最終在完全不損失精度的情況下完成了加速和內(nèi)存優(yōu)化。