大家都知道，AI计算（尤其是模型训练和推理），主要以并行计算为主。

AI计算中涉及到的很多具体算法（例如矩阵相乘、卷积、循环层、梯度运算等），都需要基于成千上万的GPU，以并行任务的方式去完成。这样才能有效缩短计算时间。

搭建并行计算框架，一般会用到以下几种常见的并行方式：

• Data Parallelism，数据并行
• Pipeline Parallelism，流水线并行
• Tensor Parallelism，张量并行
• Expert Parallelism, 专家并行

接下来，我们逐一看看，这些并行计算方式的工作原理。

DP（数据并行）

首先看看DP，数据并行（Data Parallelism）。

AI训练使用的并行，总的来说，分为数据并行和模型并行两类。刚才说的PP（流水线并行）、TP（张量并行）和EP（专家并行），都属于模型并行，待会再介绍。

这里，我们需要先大概了解一下神经网络的训练过程。简单来说，包括以下主要步骤：

1、前向传播：输入一批训练数据，计算得到预测结果。

2、计算损失：通过损失函数比较预测结果与真实标签的差距。

3、反向传播：将损失值反向传播，计算网络中每个参数的梯度。

4、梯度更新：优化器使用这些梯度来更新所有的权重和偏置（更新参数）。

以上过程循环往复，直到模型的性能达到令人满意的水平。训练就完成了。

我们回到数据并行。

数据并行是大模型训练中最为常见的一种并行方式（当然，也适用于推理过程）。

它的核心思想很简单，就是每个GPU都拥有完整的模型副本，然后，将训练数据划分成多个小批次（mini-batch），每个批次分配给不同的GPU进行处理。

数据并行的情况下，大模型训练的过程是这样的：

1、对数据进行均匀切割，发给不同的、并行工作的GPU（Worker）；

2、各GPU都拥有一样的模型以及模型参数，它们各自独立进行前向传播、反向传播，计算得到各自的梯度；

3、各GPU通过卡间通信，以All-Reduce的通信方式，将梯度推给一个类似管理者的GPU（Server）；

4、Server GPU对所有梯度进行求和或者平均，得到全局梯度；

5、Server GPU将全局梯度回传（broadcast广播）到每个Worker GPU，进行参数更新（更新本地模型权重）。更新后，所有worker GPU模型参数保持一致。

然后，再继续重复这样的过程，直至完成所有的训练。

再来一张图，帮助理解：

从下往上看

这里提到的All-Reduce，也是一个AI领域的常见概念，字面意思是“全（All）-规约（Reduce）”，即：对所有节点的数据进行聚合（如求和、求最大值），并将最终结果分发到所有节点。（参考：到底什么是All-Reduce、All-to-All？）

数据并行的优点，在于实现过程比较简单，能够显著加速大规模数据的训练过程，尤其适用于数据量远大于模型参数的场景。

数据并行的缺点，在于显存的限制。因为每个GPU上都有完整的模型副本，而当模型的规模和参数越大，所需要的显存就越大，很可能超过单个GPU的显存大小。

数据并行的通信开销也比较大。不同GPU之间需要频繁通信，以同步模型参数或梯度。而且，模型参数规模越大，GPU数量越多，这个通信开销就越大。例如，对于千亿参数模型，单次梯度同步需传输约2TB数据（FP16精度下）。

ZeRO

这里要插播介绍一个概念——ZeRO（Zero Redundancy Optimizer，零冗余优化器）。

在数据并行策略中，每个GPU的内存都保存一个完整的模型副本，很占内存空间。那么，能否每个GPU只存放模型副本的一部分呢？

没错，这就是ZeRo——通过对模型副本中的优化器状态、梯度和参数进行切分，来实现减少对内存的占用。

ZeRO有3个阶段，分别是：

ZeRO-1：对优化器状态进行划分。

ZeRO-2：对优化器状态和梯度进行划分

ZeRO-3：对优化器状态、梯度和参数进行划分。（最节省显存）

通过下面的图和表，可以看得更明白些：

根据实测数据显示，ZeRO-3在1024块GPU上训练万亿参数模型时，显存占用从7.5TB降至7.3GB/卡。

值得一提的是，DP还有一个DDP（分布式数据并行）。传统DP一般用于单机多卡场景。而DDP能多机也能单机。这依赖于Ring-AllReduce，它由百度最先提出，可以有效解决数据并行中通信负载不均（Server存在瓶颈）的问题。

 PP（流水线并行）

再来看看模型并行。

刚才数据并行，是把数据分为好几个部分。模型并行，很显然，就是把模型分为好几个部分。不同的GPU，运行不同的部分。（注意：业界对模型并行的定义有点混乱。也有的资料会将张量并行等同于模型并行。）

流水线并行，是将模型的不同层（单层，或连续的多层）分配到不同的GPU上，按顺序处理数据，实现流水线式的并行计算。

例如，对于一个包含7层的神经网络，将1~2层放在第一个GPU上，3~5层放在第二个GPU上，6~7层放在第三个GPU上。训练时，数据按照顺序，在不同的GPU上进行处理。

乍一看，流水并行有点像串行。每个GPU需要等待前一个GPU的计算结果，可能会导致大量的GPU资源浪费。

上面这个图中，黄色部分就是Bubble （气泡）时间。气泡越多，代表GPU处于等待状态（空闲状态）越长，资源浪费越严重。

为了解决上述问题，可以将mini-batch的数据进一步切分成micro-batch数据。当GPU 0处理完一个micro-batch数据后，紧接着开始处理下一个micro-batch数据，以此来减少GPU的空闲时间。如下图（b）所示：

还有，在一个micro-batch完成前向计算后，提前调度，完成相应的反向计算，这样就能释放部分显存，用以接纳新的数据，提升整体训练性能。如上图（c）所示。

这些方法，都能够显著减少流水线并行的Bubble时间。

对于流水线并行，需要对任务调度和数据传输进行精确管理，否则可能导致流水线阻塞，以及产生更多的Bubble时间。

TP（张量并行）

模型并行的另外一种，是张量并行。

如果说流水线并行是将一个模型按层「垂直」分割，那么，张量并行则是在一个层内「横向」分割某些操作。

具体来说，张量并行是将模型的张量（如权重矩阵）按维度切分到不同的GPU上运行的并行方式。

张量切分方式分为按行进行切分和按列进行切分，分别对应行并行（Row Parallelism）（权重矩阵按行分割）与列并行（Column Parallelism）（权重矩阵按列分割）。

每个节点处理切分后的子张量。最后，通过集合通信操作（如All-Gather或All-Reduce）来合并结果。

张量并行的优点，是适合单个张量过大的情况，可以显著减少单个节点的内存占用。

张量并行的缺点，是当切分维度较多的时候，通信开销比较大。而且，张量并行的实现过程较为复杂，需要仔细设计切分方式和通信策略。

放一张数据并行、流水线并行、张量并行的简单对比：

专家并行

2025年初DeepSeek爆红的时候，有一个词也跟着火了，那就是MoE（Mixture of Experts，混合专家模型）。

MoE模型的核心是“多个专家层+路由网络（门控网络）”。

专家层的每个专家负责处理特定类型的token（如语法、语义相关）。路由网络根据输入token的特征，选择少数专家处理这个token，其他专家不激活。

MoE实现了任务分工、按需分配算力，因此大幅提升了模型效率。

专家并行（Expert Parallelism），是MoE（混合专家模型）中的一种并行计算策略。它通过将专家（子模型）分配到不同的GPU上，实现计算负载的分布式处理，提高计算效率。

专家并行与之前所有的并行相比，最大的不同在于，输入数据需要通过一个动态的路由选择机制分发给相应专家，此处会涉及到一个所有节点上的数据重分配的动作。

然后，在所有专家处理完成后，又需要将分散在不同节点上的数据按原来的次序整合起来。

这样的跨片通信模式，称为All-to-All。（再次参考：到底什么是All-Reduce、All-to-All？）

专家并行可能存在负载不均衡的问题。某个专家所接收到的输入数据大于了其所能接收的范围，就可能导致Tokens不被处理或不能被按时处理，成为瓶颈。

所以，设计合理的门控机制和专家选择策略，是部署专家并行的关键。

混合并行

在实际应用中，尤其是训练万亿参数级别的超大模型时，几乎不会只使用单一的并行策略，而是采用多维度的混合并行（结合使用多种并行策略）。

例如：

数据并行+张量并行：数据并行处理批量样本，张量并行处理单样本的大矩阵计算。

流水线并行+专家并行：流水线并行划分模型层，专家并行划分层内专家模块。

更高级的，是3D并行，通过“数据并行+张量并行+流水线并行”，实现三重拆分，是超大模型训练的主流方案。

3D并行

最后的话

好啦，以上就是关于DP、PP、TP、EP等并行训练方式的介绍。大家都看懂了没？

并行计算方式其实非常复杂，刚才我们只是做了最简单的介绍。但在真实工作中，开发者无需了解具体的实现细节，因为业界提供了例如DeepSpeed（微软开源，支持3D并行+ZeRO内存优化）、Megatron-LM（NVIDIA开源，3D并行的标杆）、FSDP等开源软件，能够让开发者直接进行大语言模型训练。

小枣君之所以要专门介绍并行训练方式，其实更多是为了帮助大家深入地理解算力集群架构和网络的设计。

大家可以看到，不同的并行训练方式，有着不同的通信流量特点。算力集群整体架构和网络设计，需要尽量去适配这些并行计算方式的流量特点，才能满足模型训推任务的要求，实现更高的工作效率。

比如说，数据并行，由于需要频繁同步梯度信息，对网络带宽要求较高，需要确保网络带宽能够满足大量梯度数据快速传输的需求，避免因带宽不足导致通信延迟，影响训练效率。

流水线并行，大模型的每一段，在不同的服务器上以流水线的方式逐步计算，涉及到多个服务器“串起来”，就建议部署在比较靠近的服务器上（尽量部署在叶脊网络的同一个leaf叶下）。

张量并行，通信数据量大，就建议部署在一台服务器的多个GPU上进行计算。

专家并行中，不同专家分配在不同GPU上，GPU间需要交换中间计算结果等信息，其通信流量特点取决于专家的数量以及数据交互的频率等，也需要合理规划GPU间的连接方式和通信路径。

总之，在GPU算卡性能越来越难以提升的背景下，深入研究并行计算的设计，从架构和网络上挖掘潜力，是业界的必然选择。

随着AI浪潮的继续发展，以后是否还会出现其它的并行训练方式呢？让我们拭目以待吧！