一、分布式训练基础：为什么需要多卡训练？
单卡瓶颈：你跑不动了
说实话，我刚开始做深度学习那会儿，一张V100就能搞定大部分模型。但现在？随便一个LLM都是百亿参数起步。单卡训练，说白了就是三个字——跑不动。
单卡的瓶颈主要卡在哪儿？我总结下来就三点：
- 显存墙：一张A100 80G，看着挺大对吧？但一个175B的模型，光参数就要350GB。你连模型都装不下，更别提训练了。
- 算力墙：单卡算力再强，也是有限的。我算过一笔账，用单卡A100训练GPT-3，大概需要...嗯，36年。你等得起吗？
- 带宽墙：数据从CPU搬到GPU，PCIe 4.0 x16也就32GB/s。跟GPU内部HBM的2TB/s比，差了俩数量级。数据搬运就成了瓶颈。
核心结论：单卡训练不是能不能跑的问题，是能不能在合理时间内跑完的问题。我见过太多团队，模型设计得挺好，结果训练时间比项目周期还长——这就尴尬了。
多卡优势：人多力量大
多卡训练的优势，你想想看，其实跟团队协作一个道理。一个人搬不动的大石头，十个人一起上，问题就解决了。
具体来说，多卡训练带来三个核心好处：
- 显存池化：8张A100就是640G显存，模型再大也能装下。我去年做的一个MoE模型，单卡根本放不下，8卡分布式训练才跑起来。
- 算力叠加：理论上，N张卡就是N倍的算力。当然实际会有通信开销，但线性加速比做到0.8以上是没问题的。
- 容错能力：单卡挂了，训练就停了。多卡训练可以加容错机制，某张卡出问题，其他卡还能继续。
我的经验：多卡训练不是简单的堆硬件。我曾经踩过一个坑——8卡训练比4卡还慢。后来发现是通信拓扑没配好，数据交换成了瓶颈。所以，多卡训练要讲究策略。
常见的并行策略概览
说到并行策略，很多新手容易混淆。我习惯把它们分成三类，说白了就是：数据怎么分、模型怎么分、计算怎么流水。
1. 数据并行（Data Parallelism）
这是最直观的策略。每张卡都存一份完整的模型，但只处理一部分数据。每轮训练完，各卡同步梯度。
- 优点：实现简单，PyTorch的DistributedDataParallel（DDP）几行代码就能搞定
- 缺点：模型太大时，单卡放不下就没办法了
- 适用场景：模型能塞进单卡，但数据量大、需要加速训练
# PyTorch DDP 示例
import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel as DDP
model = MyModel().to(rank)
ddp_model = DDP(model, device_ids=[rank])
# 训练循环照常，DDP自动处理梯度同步2. 模型并行（Model Parallelism）
模型太大，一张卡放不下怎么办？那就把模型切开，每张卡放一部分。这就是模型并行。
- 优点：可以训练超大模型，突破单卡显存限制
- 缺点：卡间通信频繁，计算和通信难以重叠
- 适用场景：模型大到单卡放不下，比如175B的GPT-3
避坑指南：我曾经做过一个模型并行方案，把Transformer的每一层放在不同卡上。结果发现，前向传播时数据在卡间传来传去，大部分时间都花在通信上了。后来改用张量并行（Tensor Parallelism），把单层内的矩阵切分到多卡，通信量才降下来。
3. 流水线并行（Pipeline Parallelism）
模型并行有个问题——同一时刻只有一张卡在工作，其他卡都在等。流水线并行就是解决这个问题的。它把数据切成微批次（micro-batch），让不同卡同时处理不同微批次。
- 优点：提高设备利用率，减少空闲时间
- 缺点：存在流水线气泡（pipeline bubble），需要精心调度
- 适用场景：模型层数多，且每层计算量大
关键点：流水线并行的核心是减少气泡。我常用的技巧是——把微批次数量设为流水线深度的2-4倍，这样气泡占比能降到10%以下。
三种策略的对比
| 策略 | 核心思想 | 通信开销 | 显存需求 | 实现难度 |
|---|---|---|---|---|
| 数据并行 | 数据切分，模型复制 | 中等（梯度同步） | 高（每卡存完整模型） | 低 |
| 模型并行 | 模型切分，数据复制 | 高（层间通信） | 低（每卡存部分模型） | 中 |
| 流水线并行 | 模型切分 + 微批次调度 | 中（边界通信） | 低（每卡存部分模型） | 高 |
知识体系结构图
下面这张图，是我梳理的分布式训练知识体系。你可以看到，三种并行策略不是互斥的，实际训练中往往是组合使用。
我的建议：刚开始做多卡训练，别一上来就搞3D并行。先跑通数据并行，再逐步加模型并行和流水线并行。我见过太多人一上来就搞复杂方案，结果调试了两个月还没跑起来——得不偿失。
好了，这一章的内容就到这里。分布式训练的基础概念，说白了就是搞清楚「数据怎么分、模型怎么切、计算怎么流水」。后面我们会深入每个策略的细节，包括通信优化、显存管理、以及实际调参技巧。