深度推荐模型（DLRMs）已经成为深度学习在互联网公司应用的最重要技术场景，如视频推荐、购物搜索、广告推送等流量变现业务，极大改善了用户体验和业务商业价值。但海量的用户和业务数据，频繁地迭代更新需求，以及高昂的训练成本，都对DLRM训练提出了严峻挑战。

在DLRM中，需要先在嵌入表（EmbeddingBags）中进行查表（lookup），再完成下游计算。嵌入表常常贡献DLRM中99%以上的内存需求，却只贡献1%的计算量。借助于GPU片上高速内存（High Bandwidth Memory）和强大算力的帮助，GPU成为DLRM训练的主流硬件。但是，随着推荐系统研究的深入，日益增长的嵌入表大小和有限的GPU显存形成显著矛盾。如何让利用GPU高效训练超大DLRM模型，同时突破GPU内存墙的限制，已成为DLRM领域亟待解决的关键问题。

Colossal-AI此前已成功利用异构策略将相同硬件上训练NLP模型的参数容量提升上百倍，近期成功将其拓展到推荐系统中，通过软件缓存（Cache）方法在CPU 和 GPU 内存中动态存储嵌入表。基于软件Cache设计，Colossal-AI还添加流水预取，通过观察未来即将输入的训练数据，降低软件Cache检索和数据移动开销。同时，它以同步更新方式在 GPU 上训练整个 DLRM模型，结合广泛使用的混合并行训练方法，可以扩展到多个 GPU。实验表明， Colossal-AI 仅 需在 GPU 中保留 1% 的嵌入参数， 仍能保持优秀的 端到端训练速度。相比PyTorch其他方案，显存需求降低一个数量级 ， 单块 显卡 即可训练TB级推荐模型。成本优势显著，例如 仅 需 5GB显存 即可 训练 占据 91GB 空间 Embedding Bag的DLRM ，训练硬件成本从两张约20万元的A100，降低百倍至仅需2000元左右的RTX 3050等入门级显卡。

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

现有的嵌入表扩展技术

嵌入表将离散的整型特征映射成连续的浮点特征向量，下图展示了DLRM中的嵌入表训练过程。首先，在嵌入表中对每个特征查找Embedding Table对应的行，然后通过规约操作，比如max，mean, sum操作，变成一个特征向量，传递给后续的稠密神经网络。可见，DLRM的嵌入表训练过程主要是不规则的内存访问操作，因此严重受限于硬件访存速度。

而工业级DLRM的嵌入表可能达到数百GB甚至TB级别，远超单GPU最高数十GB的显存容量。突破单GPU的内存墙来增大DLRM的嵌入表规模有很多方法。根据下图展示的GPU集群的内存层级图为例，让我们来分析几种常见方案的优劣。

GPU 模型并行 ： 将嵌入表切分后分布在多个GPU的内存中，训练中通过GPU之间互联网络同步中间结果。这种方式的缺点首先是嵌入表切分负载并不均匀，扩展性问题难以解决。其次，增加GPU的前期硬件成本大，而且DLRM训练时GPU的计算能力并没有被充分利用，而是仅仅利用了它的HBM带宽优势，导致GPU使用率不高。

CPU 部分训练 ： 将嵌入表分割成两部分，一部分在GPU上训练，另一部分在CPU上训练。通过利用数据分布的长尾效应，我们可以让CPU计算比例尽可能少，让GPU计算比例尽可能大。但是，随着batch size增大，让mini-batch的数据全部命中CPU或者GPU很困难，如果同时命中CPU或GPU这种方法很难处理。另外，由于DDR带宽和HBM相差一个数据量级，即使10%的输入数据在CPU上训练，整个系统也会有至少一半速度下降。此外，CPU和GPU需要传输中间结果，这也有不小的通信开销，进一步拖慢训练速度。因此，研究人员设计了异步更新等方式来避免这些性能缺陷，但是异步方式会造成训练结果的不确定性，在实践中并不是算法工程师的首选方案。

软件 Cache ： 保证训练全部在GPU上进行，嵌入表存在CPU和GPU组成的异构空间中，每次通过软件Cache方式，将需要的部分换入GPU。这种方式可以廉价扩展存储资源，满足嵌入表不断增大的需求。而且，相比使用CPU来计算，这种方式的整个训练过程完全在GPU上完成，充分利用HBM带宽优势。但Cache的查询、数据移动会带来额外性能损耗。

目前已经有一些针对嵌入表优秀的软件Cache方案实现，但是它们往往使用定制的EmbeddingBags Kernel实现，比如fbgemm，或者借助第三方深度学习框架。 而Colossal-AI 在原生PyTorch基础上不做任何Kernel层次改动，提供了一套开箱用的软件Cache EmbeddingBags实现 ，还 进一步针对DLRM训练流程进行优化，提出预取流水来进一步降低Cache开销。

Colossal-AI的嵌入表软件Cache

Colossal-AI实现了一个软件Cache并封装成nn.Module提供给用户在自己模型中使用。DLRM的嵌入表，一般是由多个Embedding组成的EmbeddingBags，驻留在 CPU 内存中。这部分内存空间被命名为CPU Weight。而EmbeddingBags一小部分数据存储在 GPU内存中，它包括即将被训练用到的数据。这部分内存空间被命名为CUDA Cached Weight。在 DLRM 训练期间，首先需要确定本次迭代输入mini-batch的数据所对应嵌入表的行，如果有的行不在GPU中，需要将它们从CPU Weight传输到 CUDA Cached Weight中。如果GPU中没有足够的空间，它会使用LFU算法，根据访问缓存的历史频率来淘汰被使用最少数据。

为了实现Cache的检索，需要一些辅助数据结构帮忙：cached_idx_map是一维数组，存储CPU Weight中行号和CUDA Cached Weight的行号对应关系，以及对应行在GPU被访问的频率信息。CUDA Cached Weight 大小与 CPU Weight 大小的比值命名为 cache_ratio，默认为 1.0% 。

Cache在每个迭代forward之前运行，以调整CUDA Weight中的数据，具体来说分三个步骤。

Step1： CPU 索引 ：检索CPU Weight中需要被Cache的行号

它需要对输入mini-batch的input_ids和cached_idx_map取交集，找到CPU Weight中需要从CPU移动到GPU的行号。

Step2： GPU 索引 ：根据使用频率找到CUDA Weight中可以被驱逐的行

这需要我们根据频率以从低到高顺序，对cache_idx_map和input_ids取差集合之后的部分进行top-k（取最大值k个数）操作。

Step3：数据搬运 ：

将CUDA Cached Weight中的对应行移动到CPU Weight中，然后将CPU Weight中的对应行移动到CUDA Weight中。

数据传输模块负责CUDA Cached Weight和CPU Weight之间的数据双向传输。不同于低效的逐行传输，它采用先缓存再集中传输方式来提升PCI-e的带宽利用率。分散在内存中的嵌入行在源设备的本地内存中集中为连续的数据块，然后块在 CPU 和 GPU 之间传输，并分散到目标内存的相应位置。以块为单位移动数据可以提高 PCI-e 带宽利用率，merge和scatter操作只涉及CPU和GPU的片上内存访问，因此开销并不是很大。

Colossal-AI用一个尺寸受限的缓冲区来传输CPU和GPU之间数据。在最坏的情况下，所有输入 id 都未命中缓存cache，那就需要需要传输大量元素。为了防止缓冲区占用过多内存，缓冲区大小被严格限制。如果传输的数据大于缓冲区，会分为多次完成传输。

软件Cache性能分析

上述Cache Step1和Step2的操作都是访存密集的。因此为了能利用GPU的HBM的带宽，它们是在GPU上运行的，并使用深度学习框架封装好的API来实现。尽管如此，与嵌入表在GPU上的训练操作相比，Cache操作的开销尤为突出。

比如在一次总计199秒训练任务中，Cache操作的开销为99秒，占比总计算时间 接近50% 。经过分析，Cache的主要开销主要是Step1和Step2引起。下图base位置展示了此时的Cache开销时间分解，Cache的step1,2 红色和橙色两阶段占Cache总开销的70%。

而上述问题的原因，是因为传统的Cache策略有些“短视”，只能根据当前mini-batch情况调整Cache，因此大部分时间浪费在查询操作上。

Cache流水预取

为了缩减Cache的开销，Colossal-AI设计了一套“ 高瞻远瞩 ”的Cache机制。与其只对前mini-batch进行Cache操作，Colossal-AI预取后续将会被使用的若干mini-batch，统一进行Cache查询操作。

如下图所示，Colossal-AI使用预取来合并多个mini-batch数据统一进行Cache操作，同时采用流水线方式来重叠数据读取和计算的开销。例子中预取mini-batch数量是2。在开始训练前，先从磁盘读取mini-batch 0,1数据到GPU内存，随后开始Cache操作，然后执行这两个mini-batch的正、反向传播和参数更新。与此同时，可以和对mini-batch 2,3的开始数据读取，这部分开销可以和计算重叠。

和baseline Cache执行方式相比，图【Cache操作的时间分解】对比了prefetch 8个mini-batch和baseline的Cache时间分解。训练总时间从201秒下降到120秒，图中所示的Cache阶段操作时间占比也显著下降。可以看到和每个mini-batch独立进行Cache操作相比，各部分时间都减少了，尤其是Cache的前两步操作。

总结起来，Cache流水预取带来两个好处。

摊薄Cache索引开销

预取最显而易见的好处是减少了Step1和Step2的开销，使这个两步操作在总的训练过程占比小于 5% 。如【Cache操作的时间分解】所示，通过预取8个mini-batch数据，和没有预取的baseline相比，Cache查询的开销显著降低。

增加CPU-GPU数据移动带宽

通过集中更多数据，提升数据传输粒度，从而充分利用CPU-GPU传输带宽。对于上面例子，CUDA->CPU带宽从860MB/s提升到1477 MB/s，CPU->CUDA带宽从1257 MB/s提升到 2415 MB/s，几乎带来了近一倍的性能增益。

和Pytorch EmbeddingBag用法一致，在构建推荐模型时，仅需如下数行代码进行初始化，即可大幅提升嵌入表容纳量，低成本实现TB级超大推荐模型训练。

from colossalai.nn.parallel.layers.cache_embedding import CachedEmbeddingBag
emb_module = CachedEmbeddingBag(
        num_embeddings=num_embeddings,
        embedding_dim=embedding_dim,
        mode="sum"
        include_last_offset=True,
        sparse=True,
        _weight=torch.randn(num_embeddings, embedding_dim),
        warmup_ratio=0.7,
        cache_ratio = 0.01,
在NVIDIA A100 GPU （80GB）和AMD EPYC 7543 32-Core Processor (512GB)硬件平台上，Colossal-AI以Meta的DLRM模型作为测试目标，用超大数据集Cretio 1TB和Meta的dlrm_datasets生成数据集作为测试模型。实验中采用将嵌入表全部存储GPU上的PyTorch训练速度作为baseline。
 
Cretio 1TB
 
Cretio 1TB嵌入表总共177944275行，设置embedding dim=128，其嵌入表内存需求91.10 GB。想把EmbeddingBags全部存储在单个GPU内存中，即使是最高端的英伟达A100 80GB也无法满足其内存需求。
 
但使用Colossal-AI仍然在单GPU上完成训练，当cache ratio=0.05，显存消耗仅为5.01 GB，直接降低约18倍，可进一步扩展到在单张GPU上实现TB级推荐系统模型的训练。在训练速度上，如下图所示，展示了不同batch size下训练100M个样本的延迟。绿色Prefetch1是不使用预取，蓝色Prefetch8是使用预取（prefetch mini-batch=8）的延迟，可见预取流水优化对整体性能提升发挥了重要作用。图中每个柱子深色部分为Cache开销，使用预取后，Cache开销控制在训练总时间的15%范围内。
 
多GPU扩展性
 
用8192作为全局batch size，在8张GPU卡上使用table-wise sharding作为EmbeddingBags并行方式训练DLRM，训练100M samples。此时设置Prefetch大小为4，ColossalAI-mem-cr0.05是cache ratio=0.05，ColossalAI-mem-cr0.5=0.5。下图展示了不同GPU情况下的训练延迟。除了1 GPU时PyTorch OOM无法训练之外，其余情况PyTorch和Colossal-AI训练时间类似。可以观察到使用4和8 GPU并没有带来明显性能提升，这是因为，1. 同步结果需要通信开销巨大。2. table-wise sharding会导致切分负载不均衡。也说明使用多GPU来扩展embedding table训练扩展性并不是很好。
 
 下图展示了显存使用，显存使用在不同卡上并不相同，这里展示最大显存数值。在仅使用一张GPU时，只有Colossal-AI的软件Cache方法可以训练，多卡并行的占用内存也显著减少数倍。
 
 Meta Research的合成数据集dlrm_datasets模仿了工业界嵌入表的训练访问行为，因此常在研究中作为推荐系统相关的软硬件设计的测试参考。选取其中的5亿行嵌入表项的作为子数据集，构造256GB和128GB大小的两个EmbeddingBags用于测试。
 
 PyTorch由于显存内存不足无法在单卡A100上训练。作为对比, Colossal-AI的软件cache将显著降低GPU内存需求，足以训练大至256GB的嵌入表，并可进一步扩展至TB级别。而且，流水预取也能体现出加速效果，当预取数为32时，相比没有预取总时间下降60%，而且对GPU的存储的需求却没有增大。
 
One More Thing
 
 面向大模型时代的通用深度学习系统 Colossal-AI，通过多项自研领先技术如高效多维自动并行、异构内存管理、大规模优化库、自适应任务调度等实现高效快速部署AI大模型训练和推理，降低AI大模型应用成本。
 
Colossal-AI相关解决方案已成功在自动驾驶、云计算、零售、医药、芯片等行业知名厂商落地应用，广受好评。
 
Colossal-AI注重开源社区建设，提供中文教程，开放用户社群及论坛，对于用户反馈进行高效交流与迭代更新，不断添加PaLM、AlphaFold、OPT等前沿应用。
 
自然开源以来，Colossal-AI已经多次在GitHub及Papers With Code热榜位列世界第一，与众多已有数万star的明星开源项目一起受到海内外关注！
 
项目开源地址：https://github.com/hpcaitech/ColossalAI
 
参考链接： https://ai.facebook.com/blog/dlrm-an-advanced-open-source-deep-learning-recommendation-model/
				
我的个人微信公众号： Microstrong
微信公众号ID： MicrostrongAI
微信公众号介绍： Microstrong(小强)同学主要研究机器学习、深度学习、推荐系统、自然语言处理、计算机视觉相关内容，分享自己在学习过程中的读书笔记！期待您的关注，欢迎一起学习交流进步！
我的知乎主页：  https://www.zhihu.com/people/MicrostrongAI/activities
Github： https://github.com/Microstrong0305
个人博客：..
				
M3E 是 Moka Massive Mixed Embedding 的缩写
Moka，此模型由 MokaAI 训练，开源和评测，训练脚本使用 uniem ，评测 BenchMark 使用 MTEB-zh
Massive，此模型通过千万级 (2200w+) 的中文句对数据集进行训练
Mixed，此模型支持中英双语的同质文本相似度计算，异质文本检索等功能，未来还会支持代码检索
Embedding，此模型是文本嵌入模型，可以将自然语言转换成稠密的向量