Mist: Co-Optimize Memory Optimizations with Parallelism for Large Scale Distributed Training
Notice bibliographique
Résumé
Various parallelism such as data, sharded data, tensor, and pipeline parallelism, and memory optimizations such as activation checkpointing and offloading have been proposed to work together to accelerate large scale distributed training. To find the best combination of these techniques, automatic distributed training strategy planners are proposed. However, existing systems cannot comprehensively co-optimize memory optimizations with parallelism, lack advanced overlap awareness, and do not consider inter-microbatch imbalance in pipeline parallelism, leading to sub-optimal performance. To address these shortcomings and the design challenge of the exploded search space, we propose Mist, a memory, overlap, and imbalance-aware automatic distributed training system. Mist comprises three key components: (1) an overlap-centric schedule template that orchestrates techniques in an overlapped manner and mitigates the tuning complexity, (2) an interference-aware symbolic analysis system that provides accurate and efficient predictions of the runtime and memory usage in the form of symbolic expressions, and (3) an imbalance-aware hierarchical auto-tuner that decouples the tuning into an inter-stage imbalance-aware Mixed Integer Linear Programming (MILP) problem and an intra-stage Constrained Optimization problem. Our evaluation results show that Mist achieves an average of 1.28× (up to 1.73×) and 1.27× (up to 2.04×) speedup compared to state-of-the-art manual implementation Megatron-LM and automatic method Aceso, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».