原创力文档- 1、本文档共25页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
DLRover蚂蚁⼤模型训练弹
性容错与⾃动优化
2024云原生KubeSphere论坛整理（公开）
王勤⻰
蚂蚁集团AIInfra技术专家
目录
•大模型分布式训练的挑战
•DLRover支持大模训练的弹性容错
•DLRover分布式训练的动态优化
2024云原生KubeSphere论坛整理（公开）
•DLRoverQuickStark
•DLRover的后续规划
大模型分布式训练的挑战
大模型分布式训练开发流程大模型分布式训练的挑战
模型定义、数据准备如何提升DataInput
pipeline性能？
配置并行策略：DP、FSDP、TP、PP?
A.DataParallelism?
如何并行训练？B.TensorParallelism?
配置分布式训练资源：GPU/CPU、内存和节点数量C.PipelineParallelism?
2024云原生KubeSphere论坛整理（公开）
不达标
观察训练指标
达标如何配置资源？
部署训练作业资源少、速度慢资源多、利用率低
训练及时完成
NYA.哪个节点故障？
调整配置模型产出并部署预测服务如何快速恢B.怎么剔除故障节点？
复训练？C.可用节点变少怎么办？
大模型分布式训练的挑战
大模型分布式训练开发流程DLRover智能训练服务
模型定义、数据准备目标：用户提供模型定义和数据，DLRover自适应地分布式
训练模型。
自动根据模型结构选择并行策略和参数自动并行LibAtorch：
Ø自动将单机模型转为并行模型。
Ø根据训练运行的profiling动态调整训练配置。
自动配置分布式训练资源并自动扩缩容
2024云原生KubeSphere论坛整理（公开）
自动资源配置：
不达标自动监控Ø自动配置训练资源并根据训练状态来动态预估资源。
训练指标Ø训练过程中通过自动扩缩容来动态调整训练资源。
达标
部署训练作业
作业监控提高训练的稳定性：
NYØ自动容错，训练可以在部分节点故障后继续进行。
文档评论（0）