新智元报道
编辑：编辑部 HYZ
【新智元导读】随着Sora震撼发布，视频生成技术成为了AI领域新风口。不过，高昂的开发成本是一大瓶颈。国产平台Video Ocean不仅成功登上全球热榜第三，还将视频生成模型开发成本降低50%。而且，模型构建和性能优化方案现已开源，还能免费获得500元GPU算力。
近期免费上线的视频生成平台Video Ocean，支持任意角色、任意风格，可以文生视频、图生视频、角色生视频，引起广泛关注与肯定，登上Product Hunt全球产品热度榜单第三。
体验地址：https://video.luchentech.com/zh-CN
Video Ocean如何以极低成本快速完成迭代？开源解决现已方案发布。
二次开发分享至开源社区，还可领取500元GPU算力代金券。
开源地址：https://github.com/hpcaitech/Open-Sora
Colossal-AI
在Video Ocean背后，离不开AI大模型训练推理系统Colossal-AI的基础支持，其在GitHub全球AI训推系统开源领域指标位列世界第一，已获近4万Stars。
开源地址：https://github.com/hpcaitech/ColossalAI
它基于PyTorch，可通过高效多维并行、异构内存等，降低AI大模型训练/微调/推理的开发与应用成本，已与多家世界/中国500强企业联合开发和优化AI大模型。
针对类Sora视频大模型开发，Colossal-AI做了多方面的优化，模型算力利用率MFU相对现有其他开源方案总体最高提升可达2.61倍，显著降低成本。
异步Checkpoint
在使用大规模集群训练时，因集群规模扩大，故障率会迅速上升，导致训练极易中断。在这种情况下快速保存Checkpoint不仅可以加速整体训练效率，也有利于故障容错，快速恢复训练。
为此，Colossal-AI推出了异步Checkpoint功能。针对10B量级的视频生成模型，可将DiT模型、EMA模型、优化器的保存时间从300s+，降至10s以内，节省了高达97%的保存时间。
Checkpoint保存主要分为GPU->CPU（D2H）和硬盘写两个步骤，通过将这两个步骤通过流水线的形式执行，极大的提高了保存的效率。同时此步骤通过多线程（C++）的形式在后台完成，不会阻塞训练主进程。GPU->CPU通过单独的CUDA Stream完成，也不会阻塞主计算Stream。
流水线保存Checkpoint
除此之外，通过使用safetensors格式，因其安全、零拷贝的特性，也提升了读取的性能。
Zero内存/通信优化
常见的ZeRO通信方式
优化后的ZeRO通信方式
Colossal-AI在常见的ZeRO通信方式基础上，通过进一步将参数的All-gather和下一轮训练的前向计算重叠，以达到更高的训练效率。
使用bucket来进行Zero-DP的通信是常见的优化手段，但是在使用bucket的过程中存在大量的内存拷贝操作。当集群规模扩大时，内存拷贝操作的开销会逐渐增大。为解决这个问题，通过将内存拷贝操作进行融合，降低了内存拷贝的开销。
同时，随着集群规模扩大，通信算子All-Gather和Reduce-Scatter的速度衰减非常严重。在bucket size较小时，降速更加明显（例如Torch DDP默认的25MB）。
Colossal-AI从两个方面来解决这个问题。
首先可以通过增大bucket size来减缓通信降速，但是bucket size不能无限增大，过大的bucket size会影响计算和通信的重叠。通过以下公式粗略搜索得到较优的bucket size，再实际测试进行精调。
其中，φ_B为bucket size，φ为模型大小，T_bwd为反向计算时间，T_comm为bucket单次通信时间。
其次，当集群规模很大时，Colossal-AI引入2d torus方式的通信能够减缓通信降速问题。
2d torus通信
经过联合优化后，在视频模型训练的场景下，集群规模很大时也能保证scaling > 95%，在大规模多机训练中能达到~30%的加速。
数据加载优化
loader = DataLoader(dataset, batch_size=2, collate_fn=collate_wrapper,
pin_memory=True)PyTorch dataloader提供了自动Pin memory的功能，能大幅度提高把数据从CPU移动到GPU的时间，是非常实用的一项功能。其通过Python多线程来实现自动Pin memory。
但是由于GIL的存在，Python的多线程并非传统意义上的多线程。同时Pin memory操作调用的cudaMallocHost 可能会阻塞主进程（影响主CUDA Stream）。当使用高清/长视频进行训练时，pin memory需要申请的内存较大，这个问题会更加明显。
具体表现为，开启Pin memory之后，某个进程的某一部分操作可能比别的进程更慢，从而造成一定的不同步性，而不同步性在大规模集群训练时对整体训练效率影响较大。
为解决这个问题，Colossal-AI将dataloader进行了改造，通过预分配和缓存pin memory的机制，尽量避免在训练过程中调用cudaMallocHost。如果设置合理，缓存命中率可以达到100%，即不会影响训练速度，并且不会消耗过多的RAM cache。
FP8混合精度训练
Colossal-AI支持主流的BF16(O2) + FP8(O1)的新一代混合精度训练方案。
仅需一行代码，即可对主流大模型能够获得平均30%的加速效果，并保证训练收敛性，降低相应大模型开发成本。
使用时，仅需在初始化plugin时开启FP8即可：
from colossalai.booster.plugin import GeminiPlugin, HybridParallelPlugin, LowLevelZeroPlugin
...
plugin = LowLevelZeroPlugin(..., use_fp8=True)
plugin = GeminiPlugin(..., use_fp8=True)
plugin = HybridParallelPlugin(..., use_fp8=True)除此之外，无需引入额外的手写CUDA算子，避免了较长的AOT编译时间及复杂的编译环境配置。
序列并行优化
Colossal-AI针对VideoOcean模型支持了多种序列并行范式，包括Tensor sequence parallelism，Ring attention （context parallelism）和Sequence parallelism（Ulysses），这几种范式可以单独使用也可以联合使用。
同时根据视频数据的特征（激活值特别大），进一步优化了Ring attention的通信，使用ND-ring来应对复杂的硬件配置。
当视频模型scale到数百亿参数量级，并且使用高清、较长的视频训练时，大规模多机训练和混合并行训练几乎是标配。
在这种情况下，Colossal-AI对序列并行的优化可以应对各种情形，尤其是大视频导致序列需要跨机的情况加速效果显著。
卷积层张量并行优化
Colossal-AI对适用于高清视频、长视频的VAE进行了针对性优化。
对这类数据，CUDNN的3D卷积会产生非常大的激活值，为此Colossal-AI实现了分块卷积和张量并行。
与Transformer中的张量并行不同，Colossal-AI对VAE用了一种新的张量并行方式以适配其巨大的激活值，最终在完全不损失精度的情况下完成了加速和内存优化。
领取GPU算力代金券
为回馈广大开发者的关注与肯定，基于Colossal-AI或OpenSora
构建有实际意义的高质量项目，
如微调、预训练模型、应用、算法论文等开源项目
奖励：领取潞晨云500元或hpc-ai.com的H200 GPU 100美元算力代金券。
发布相关开源项目
奖励：领取潞晨云50元或hpc-ai.com的H200 GPU 10美元算力代金券。
领取详情：https://colossalai.org/zh-Hans/docs/get_started/bonus
开源地址：https://github.com/hpcaitech/Open-Sora