混合精度、分布式训练与检查点

低精度先改变范围和舍入间隔

常见二进制浮点格式由符号、指数和尾数组成。FP32 有八位指数和二十三位显式尾数，正规数约有七位十进制有效数字，最大有限值约 $3.4\times10^{38}$。IEEE FP16 有五位指数和十位尾数，最大值为 $65504$，最小正规正数约 $6.10\times10^{-5}$，加上次正规数可到约 $5.96\times10^{-8}$。bfloat16 保留 FP32 的八位指数，却只有七位尾数，因此动态范围接近 FP32、精度比 FP16 更粗。

FP16 更容易让小梯度下溢或大激活溢出；bfloat16 缓解范围问题，却仍会因尾数短丢掉小增量。格式名字也不完全决定算子行为：矩阵输入可以是低精度而累加为 FP32，归一化和归约可能提升精度，具体由实现、算子和硬件决定。报告应记录每类关键算子的输入、累加和输出精度，不能只写“开启半精度”。

softmax、对数、方差、范数和长归约对范围与抵消敏感，常保留较高精度。将所有张量强制转成低精度不叫可靠混合精度；真正目标是在误差可控处减少存储或提高算术吞吐，在敏感状态和归约处保留范围。

主权重和状态按职责分层

一种常见方案保留 FP32 主参数、梯度归约结果和优化器矩状态，前向与反向使用 FP16 或 bfloat16 参数副本与激活，部分算子以 FP32 累加。每次成功更新后把主参数转换回计算副本。这样参数小增量和 Adam 的一阶、二阶矩不会持续在粗尾数中丢失。

并非每种 bfloat16 训练都必须复制一套主权重，也并非所有框架梯度都以同一格式存储。选择应基于模型状态大小、算子支持、数值诊断和恢复要求。混合精度常显著减少激活内存，但带 FP32 主权重和矩状态时，模型状态内存未必减少，甚至可能多出一份低精度参数副本。

边界判断应基于实际峰值内存分解：参数、梯度、优化器状态、激活、临时工作区、通信桶和内存碎片。只用参数量乘字节数无法预测能否放下一个小批量。

损失缩放把小梯度移入可表示范围

设损失为 $L$，缩放因子为 $S>0$。反向传播 $SL$ 得到缩放梯度 $Sg$，随后在较高精度中除以 $S$ 恢复 $g$。这不会改变理想实数梯度，却能让原本低于 FP16 次正规范围的中间梯度先变大。$S$ 太大又会使激活梯度或归约溢出为无穷。

动态缩放器在每个候选更新检查所有梯度是否有限。若任一参数出现 NaN 或无穷，所有数据并行进程必须一致跳过该优化器更新，并降低 $S$；连续若干成功步后可谨慎增大。反缩放后再做梯度范数裁剪，因为裁剪阈值定义在真实梯度尺度。调度器、全局步和权重衰减是否前进也要与“成功优化器更新”语义一致。

不同实现可能先归约缩放梯度再统一反缩放，也可能局部反缩放后归约；两条路径要保证缩放约定、非有限标志和平均因子一致。一个进程溢出而其他进程继续更新，会立即让模型副本分叉。下溢成零不一定触发非有限检测，因此还需监控梯度零比例、最小非零量级和长时间无更新参数。

确定性比固定随机种子更严格

浮点加法不满足结合律。all-reduce 的分块、网络拓扑、线程调度和原子更新会改变求和顺序，低精度使末位差异更明显；后续非线性与随机采样可放大差异。某些高性能算子使用非确定性并行算法，即使输入和种子相同也不保证逐位一致。

可复算协议应保存模型初始化、数据洗牌、增强、dropout、工作器和每个进程的随机状态，并记录确定性开关、库、驱动、算子选择、进程数和归约配置。确定性模式可能降低吞吐或缺少某些算子，应实测并披露。跨硬件无法保证位级相同时，预先定义损失、参数摘要或最终指标的数值容差，并用多种子报告统计波动。

精确恢复还要求在相同数据边界保存。若检查点位于梯度累积一半，必须连同已累积梯度和微步索引保存；更简单的策略是在完整优化器步后同步保存。随机种子本身不能重建已消费到中途的随机流，必须保存生成器状态或确定数据位置。

数据并行同步同一份模型

同步数据并行在 $W$ 个进程上复制模型，每个进程处理不同本地小批量，反向后用 all-reduce 汇总梯度，再执行相同优化器更新。若每个进程本地损失是 $b$ 个样本的均值、各进程样本数相等，先求和再除以 $W$ 得到全局 $Wb$ 个样本的均值梯度。

若最后一批大小不等，简单平均各进程均值会给小批量过高权重。应按本地样本数加权，或保证共同截断和填充策略不会重复评价样本。数据采样器要让训练单位不重叠，并把 epoch、分片和洗牌种子纳入检查点。验证阶段要去除为对齐进程而复制的样本，否则指标分母错误。

数据并行复制全部模型状态，适合模型能放进单设备、数据批量可分的场景。模型本身放不下时需要参数、张量或流水分片；这会引入新的通信、分区和检查点格式，不应与简单数据并行混称。

梯度累积改变全局批量和更新频率

每进程微批量为 $b$，累计 $A$ 个微步后同步并更新一次，则每个优化器步的名义全局批量为

每个微步损失若已取均值，可除以 $A$ 后反向，或累积梯度后统一除以 $A$；再对进程取平均。重复除法或漏除会让有效学习率改变。通信可以只在最后一个微步进行，但任何进程提前失败都需让整个累积窗口作废或一致恢复。

梯度累积与一次真实大批量并非所有方面等价。固定参数且无状态随机层时，样本梯度求和可一致；但 BatchNorm 每个微步只看 $b$ 个样本，dropout 掩码与随机增强时序不同，混合精度舍入路径也不同。显存不足时累积是有效工具，不应据此声称完全模拟了同样统计的全局批。

全局批量变化必须重新解释学习率

增加进程或累积步会减少每个 epoch 的优化器更新数并改变梯度噪声。学习率线性缩放、平方根缩放和预热是经验起点，不是无条件定理。模型、优化器、归一化、数据相关和训练预算都会改变适用范围。固定原学习率可能过小也可能正好，机械放大又可能早期发散。

比较配置时用已处理样本数、token 数或 epoch 标记调度位置，而不只看本地 step。权重衰减和动量按更新次数作用，更新数改变时也要审查。先在较小规模建立收敛基线，再扩展并比较达到同一验证目标的墙钟时间；吞吐提高但需要更多样本才收敛，不一定节省总训练成本。

通信与计算重叠需要看关键路径

反向传播从后层向前层产生梯度。把相邻梯度装入桶，桶就绪后立即启动异步 all-reduce，可让后续反向计算遮蔽一部分通信。桶太小会产生大量启动延迟，太大又要等很久才开始；最佳大小取决于模型层次、网络带宽和拓扑。

强扩展固定总工作或全局批量，增加设备以缩短完成时间，效率可写为 $E_s=T_1/(W T_W)$。弱扩展固定每设备工作量，观察规模随 $W$ 增长时步延迟能否保持，效率常与单设备和多设备步时间之比比较。训练还应报告样本吞吐、步延迟分位数、通信暴露时间、数据等待、峰值内存和达到目标的时间。

检查点是分布式状态的一致快照

可精确继续训练的检查点至少包含：FP32 主权重和计算副本所需状态、优化器矩与步数、学习率调度器、损失缩放器、归一化运行统计、梯度累积位置、全局更新与已处理样本数、每进程随机生成器、数据采样器和游标、最佳指标状态、代码配置及数据版本。只保存模型权重只能做推理或暖启动，不能称为原训练续跑。

大状态可按进程分片，每个分片写内容摘要，顶层清单记录世界大小、张量布局和完整性。先写临时路径，所有进程完成并校验后再原子发布清单；任一分片缺失都不能把快照标为可用。改变进程数恢复时，需要明确的重分片器；简单让每个新进程读取旧编号分片可能重复或漏掉状态。

检查点频率在写入成本与预期重算之间权衡。保存墙钟间隔、失败率、快照耗时和存储预算可决定策略；最新检查点之外还应保留里程碑与最佳验证模型，防止静默损坏被新快照覆盖。

练习

关系与资源

• 随机梯度、动量与自适应方法
• 浮点数与舍入误差
• 并行计算与可复现实验
• 调试、复现实验与工程方法综合复习

《Deep Learning》用于核对深度网络数值计算、优化和训练工程的基础口径。具体低精度算子、通信库和硬件能力会变化，本文不承诺固定加速倍数；任何收益都应连同数值误差、收敛质量和恢复能力实测。