nemo-mbridge-perf-cpu-offloading
NVIDIA/skills
Configurar y validar la descarga de carga de la CPU para el entrenamiento de Megatron Bridge, incluida la descarga de la activación y la descarga del estado del optimizador con HybridDeviceOptimizer.
...Expandir todoDescarga de la CPU
Referencias
- Documentación estable: @docs/training/cpu-offloading.md
- Metadatos estructurados: @skills/nemo-mbridge-perf-cpu-offloading/card.yaml
Qué es
Dos mecanismos independientes para trasladar datos de la memoria de la GPU a la de la CPU:
| Mecanismo | Espacio de nombres de configuración | Qué se descarga | Restricción de PP |
|---|---|---|---|
| Descarga de activaciones | model.cpu_offloading* |
Activaciones (y, opcionalmente, pesos) por capa del transformador | PP debe ser 1 |
| Descarga del optimizador | optimizer.optimizer_cpu_offload |
Estados del optimizador Adam (impulso + varianza) a través de HybridDeviceOptimizer |
Ninguno |
Decisión rápida
| Situación | Recomendación |
|---|---|
| Modelo MoE grande (más de 30 mil millones), requiere PP > 1 | Descarga del optimizador: la descarga de activación queda bloqueada por PP = 1 |
| Modelo pequeño/mediano, PP = 1 es adecuado, la memoria de activación es predominante | Descarga de activaciones |
| Se busca un equilibrio ajustable entre memoria y velocidad | Descarga del optimizador con un valor fraccionario: optimizer_offload_fraction |
| El rendimiento es la máxima prioridad | No lo habilites: la descarga siempre añade sobrecarga |
| Se necesitan gráficos CUDA | Solo descarga del optimizador: la descarga de activación es incompatible |
| La presión sobre la memoria es moderada | Descarga del optimizador en un porcentaje del 25-50 % para obtener la máxima eficiencia |
Activación
Descarga del optimizador a la CPU (recomendado para modelos grandes)
cfg.optimizer.optimizer_cpu_offload = True
cfg.optimizer.optimizer_offload_fraction = 1.0
cfg.optimizer.overlap_cpu_optimizer_d2h_h2d = True
Modificaciones en la CLI:
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0,5 \
optimizer.overlap_cpu_optimizer_d2h_h2d=True
Descarga de activaciones a la CPU (solo modelos pequeños y medianos)
cfg.model.cpu_offloading = True
cfg.model.cpu_offloading_num_layers = 16
cfg.model.cpu_offloading_activations = True
cfg.model.cpu_offloading_weights = False
cfg.model.pipeline_model_parallel_size = 1
cfg.model.recompute_granularity = None
cfg.model.cuda_graph_impl = "none"
Referencia de parámetros de configuración
Descarga del optimizador
| Parámetro | Valor por defecto | Descripción |
|---|---|---|
optimizer_cpu_offload |
Falso |
Interruptor principal |
optimizer_offload_fraction |
0,0 |
Fracción de estados del optimizador en la CPU (0,0–1,0) |
overlap_cpu_optimizer_d2h_h2d |
Falso |
Superponer las transferencias GPU↔CPU con el cálculo |
use_torch_optimizer_for_cpu_offload |
Falso |
Utilizar torch.optim en lugar del optimizador fusionado para la parte de la CPU |
Descarga de activaciones
| Parámetro | Por defecto | Descripción |
|---|---|---|
cpu_offloading |
Falso |
Interruptor principal |
cpu_offloading_num_layers |
0 |
Número de capas del transformador que se van a descargar (de 0 a num_layers-1) |
cpu_offloading_activations |
Verdadero |
Descargar activaciones |
pesos_de_descarga_de_la_CPU |
Falso |
Ponderaciones de descarga |
cpu_offloading_double_buffering |
Falso |
Búfer doble entre capas durante la recarga |
Compatibilidad y restricciones
Descarga de activación
pipeline_model_parallel_sizedebe ser 1recompute_granularitydebe serNone- No se puede combinar con
fine_grained_activation_offloading - No se puede combinar con grafos CUDA
cpu_offloading_num_layersdebe estar enel intervalo [0, num_layers-1)
Descarga del optimizador
- Requiere que
use_distributed_optimizer = True(valor por defecto en la mayoría de las recetas) - Sin restricciones de PP, recomputación ni gráficos CUDA
optimizer_offload_fractiondebe estar en el intervalo [0,0; 1,0]
Aplicación práctica: modelos MoE de gran tamaño
La descarga de activaciones está bloqueada para Qwen3-30B-A3B y otros modelos MoE de gran tamaño similares. La restricción PP=1 implica que cada GPU alberga las 48 capas; solo los pesos del modelo y los estados del optimizador (~70 GB) superan la capacidad de 80 GB de la H100.
Comando mínimo ejecutable
uv run python scripts/training/run_recipe.py \
--recipe qwen3_30b_a3b_pretrain_config \
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0.5 \
train.train_iters=20 \
train.global_batch_size=8 \
train.micro_batch_size=1
Verificación
Pruebas unitarias
uv run python -m pytest \
tests/unit_tests/models/test_gpt_full_te_layer_autocast_spec.py -k "cpu_offload" \
tests/unit_tests/peft/test_utils.py -k "cpu_offload" -q
Criterios de éxito
- La validación de la configuración se supera para el modo de descarga seleccionado
- El entrenamiento se completa sin errores OOM ni NCCL
- La pérdida coincide con la línea de base sin descarga (delta máximo < 0,001)
- El uso de memoria se reduce proporcionalmente a la fracción de descarga
Anclajes de código
Restricciones de descarga de activación de MCore
if self.cpu_offloading and (
self.cpu_offloading_num_layers < 0 or self.cpu_offloading_num_layers >=self.num_layers
):
raise ValueError(...)
si self.cpu_offloading y self.pipeline_model_parallel_size > 1:
raise ValueError(
«Actualmente no se admite el paralelismo de Pipeline con descarga a la CPU»
)
si self.cpu_offloading y self.recompute_granularity no es None:
raise ValueError(
"La descarga a la CPU no funciona cuando está habilitado el recálculo de activaciones"
)
Incompatibilidad del gráfico CUDA de MCore
si self.cpu_offloading:
raise ValueError("Los gráficos CUDA no son compatibles con la descarga a la CPU.")
Exclusión mutua de la descarga de activación de grano fino de MCore
si self.fine_grained_activation_offloading:
assert (
not self.cpu_offloading
), «fine_grained_activation_offloading no se puede habilitar con cpu_offloading.»
Instanciación de HybridDeviceOptimizer de MCore
si config.optimizer_cpu_offload:
# ... configuración de las clases del optimizador de CPU/GPU ...
optimizer = HybridDeviceOptimizer(
param_groups,
offload_fraction=config.optimizer_offload_fraction,
cpu_optimizer_cls=cpu_optimizer_cls,
gpu_optimizer_cls=gpu_optimizer_cls,
overlap_cpu_optimizer_d2h_h2d=config.overlap_cpu_optimizer_d2h_h2d,
pin_cpu_grads=config.pin_cpu_grads,
pin_cpu_params=config.pin_cpu_params,
)
Protección del gráfico CUDA de Bridge
assert not config.cpu_offloading and config.recompute_granularity is None, «Cudagraphs no compatibles»
Descarga de activaciones de Bridge en PEFT
si self.config.cpu_offloading y self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_in(x)
x = self.activation(x)
si self.config.cpu_offloading y self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_out(x)
Diagnóstico de fallos
| Síntoma | Causa probable | Cómo confirmarlo | Solución |
|---|---|---|---|
Actualmente no hay compatibilidad con el paralelismo de pipeline con descarga de la CPU |
Descarga de activación + PP > 1 | Comprueba pipeline_model_parallel_size |
Establece PP=1 o utiliza la descarga del optimizador |
La descarga de la CPU no funciona cuando está habilitado el recálculo de activación |
Descarga de activación + recálculo | Comprueba recompute_granularity |
Establece «recompute_granularity» en «null» |
La descarga de activación de grano fino (fine_grained_activation_offloading) no se puede habilitar con la descarga de la CPU (cpu_offloading) |
Ambos modos de descarga están habilitados | Comprueba ambos indicadores | Utiliza uno u otro |
Los gráficos CUDA no son compatibles con la descarga a la CPU |
Gráficos CUDA + descarga de activación | Comprueba cuda_graph_impl |
Establezca cuda_graph_impl="none" |
| Error de memoria insuficiente (OOM) con descarga de activación | Modelo demasiado grande para PP=1 | Comprueba la memoria asignada frente a 80 GB | Utilice la descarga del optimizador con PP > 1 |
| Ralentización extrema (>4x) | Descarga del optimizador al 100 %, cuello de botella de la CPU Adam | Comparar el tiempo de iteración con diferentes fracciones | Reducir la fracción o habilitar overlap_cpu_optimizer_d2h_h2d |
| Error de memoria insuficiente (OOM) con descarga parcial del optimizador | Descarga insuficiente para esta configuración | Comprueba la memoria con diferentes fracciones | Aumenta la fracción o añade PP |
Limitaciones conocidas
- La descarga de activación requiere PP=1, lo que la hace poco práctica para modelos grandes (más de 30 000 millones de MoE) que necesitan paralelismo en la canalización.
- La penalización en el rendimiento por la descarga del optimizador se escala linealmente (~1,9 veces al 25 %, ~4,2 veces al 100 % para Qwen3-30B-A3B).
- La superposición D2H/H2D solo proporciona una aceleración de ~7 %, ya que el cálculo de Adam en la CPU es el cuello de botella principal.
«fine_grained_activation_offloading»es un enfoque independiente a nivel de módulo que funciona con PP > 1, pero no se puede combinar con«cpu_offloading»a nivel de capa .
---
name: nemo-mbridge-perf-cpu-offloading
description: Configure and validate CPU offloading for Megatron Bridge training, including activation offloading and optimizer state offloading with HybridDeviceOptimizer.
license: Apache-2.0
---
# CPU Offloading
## References
- Stable docs: @docs/training/cpu-offloading.md
- Structured metadata: @skills/nemo-mbridge-perf-cpu-offloading/card.yaml
## What It Is
Two independent mechanisms to move data from GPU to CPU memory:
| Mechanism | Config namespace | What gets offloaded | PP restriction |
|---|---|---|---|
| Activation offloading | `model.cpu_offloading*` | Activations (and optionally weights) per transformer layer | PP must be 1 |
| Optimizer offloading | `optimizer.optimizer_cpu_offload` | Adam optimizer states (momentum + variance) via `HybridDeviceOptimizer` | None |
## Quick Decision
| Situation | Recommendation |
|---|---|
| Large MoE model (30B+), needs PP > 1 | Optimizer offloading — activation offloading is blocked by PP=1 |
| Small/medium model, PP=1 fits, activation memory dominates | Activation offloading |
| Want tunable memory-speed tradeoff | Optimizer offloading with fractional `optimizer_offload_fraction` |
| Throughput is top priority | Don't enable — offloading always adds overhead |
| CUDA graphs are needed | Only optimizer offloading — activation offloading is incompatible |
| Memory pressure is moderate | Optimizer offload at 25–50% fraction for best efficiency |
## Enablement
### Optimizer CPU offloading (recommended for large models)
```python
cfg.optimizer.optimizer_cpu_offload = True
cfg.optimizer.optimizer_offload_fraction = 1.0
cfg.optimizer.overlap_cpu_optimizer_d2h_h2d = True
```
CLI overrides:
```bash
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0.5 \
optimizer.overlap_cpu_optimizer_d2h_h2d=True
```
### Activation CPU offloading (small/medium models only)
```python
cfg.model.cpu_offloading = True
cfg.model.cpu_offloading_num_layers = 16
cfg.model.cpu_offloading_activations = True
cfg.model.cpu_offloading_weights = False
cfg.model.pipeline_model_parallel_size = 1
cfg.model.recompute_granularity = None
cfg.model.cuda_graph_impl = "none"
```
## Config Parameter Reference
### Optimizer offloading
| Parameter | Default | Description |
|-----------|---------|-------------|
| `optimizer_cpu_offload` | `False` | Master switch |
| `optimizer_offload_fraction` | `0.0` | Fraction of optimizer states on CPU (0.0–1.0) |
| `overlap_cpu_optimizer_d2h_h2d` | `False` | Overlap GPU↔CPU transfers with compute |
| `use_torch_optimizer_for_cpu_offload` | `False` | Use `torch.optim` instead of fused optimizer for CPU portion |
### Activation offloading
| Parameter | Default | Description |
|-----------|---------|-------------|
| `cpu_offloading` | `False` | Master switch |
| `cpu_offloading_num_layers` | `0` | Number of transformer layers to offload (0 to num_layers-1) |
| `cpu_offloading_activations` | `True` | Offload activations |
| `cpu_offloading_weights` | `False` | Offload weights |
| `cpu_offloading_double_buffering` | `False` | Double-buffer across layers while reloading |
## Compatibility And Constraints
### Activation offloading
- `pipeline_model_parallel_size` must be 1
- `recompute_granularity` must be `None`
- Cannot combine with `fine_grained_activation_offloading`
- Cannot combine with CUDA graphs
- `cpu_offloading_num_layers` must be in `[0, num_layers-1)`
### Optimizer offloading
- Requires `use_distributed_optimizer = True` (default in most recipes)
- No PP, recompute, or CUDA graph restrictions
- `optimizer_offload_fraction` must be in `[0.0, 1.0]`
### Practical: large MoE models
Activation offloading is blocked for Qwen3-30B-A3B and similar large MoE
models. The PP=1 constraint means each GPU holds all 48 layers; model
weights + optimizer states alone (~70 GB) exceed H100 80 GB capacity.
## Minimal Runnable Command
```bash
uv run python scripts/training/run_recipe.py \
--recipe qwen3_30b_a3b_pretrain_config \
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0.5 \
train.train_iters=20 \
train.global_batch_size=8 \
train.micro_batch_size=1
```
## Verification
### Unit tests
```bash
uv run python -m pytest \
tests/unit_tests/models/test_gpt_full_te_layer_autocast_spec.py -k "cpu_offload" \
tests/unit_tests/peft/test_utils.py -k "cpu_offload" -q
```
### Success criteria
- Config validation passes for the selected offloading mode
- Training completes without OOM or NCCL errors
- Loss matches the non-offloaded baseline (max delta < 0.001)
- Memory usage drops proportionally to offload fraction
## Code Anchors
### MCore activation offload constraints
```1296:1310:3rdparty/Megatron-LM/megatron/core/transformer/transformer_config.py
if self.cpu_offloading and (
self.cpu_offloading_num_layers < 0 or self.cpu_offloading_num_layers >= self.num_layers
):
raise ValueError(...)
if self.cpu_offloading and self.pipeline_model_parallel_size > 1:
raise ValueError(
"Currently there is no support for Pipeline parallelism with CPU offloading"
)
if self.cpu_offloading and self.recompute_granularity is not None:
raise ValueError(
"CPU offloading does not work when activation recomputation is enabled"
)
```
### MCore CUDA graph incompatibility
```1943:1944:3rdparty/Megatron-LM/megatron/core/transformer/transformer_config.py
if self.cpu_offloading:
raise ValueError("CUDA graphs not supported with CPU offloading.")
```
### MCore fine-grained offloading mutual exclusion
```1427:1430:3rdparty/Megatron-LM/megatron/core/transformer/transformer_config.py
if self.fine_grained_activation_offloading:
assert (
not self.cpu_offloading
), "fine_grained_activation_offloading cannot be enabled with cpu_offloading."
```
### MCore HybridDeviceOptimizer instantiation
```480:518:3rdparty/Megatron-LM/megatron/core/optimizer/__init__.py
if config.optimizer_cpu_offload:
# ... setup cpu/gpu optimizer classes ...
optimizer = HybridDeviceOptimizer(
param_groups,
offload_fraction=config.optimizer_offload_fraction,
cpu_optimizer_cls=cpu_optimizer_cls,
gpu_optimizer_cls=gpu_optimizer_cls,
overlap_cpu_optimizer_d2h_h2d=config.overlap_cpu_optimizer_d2h_h2d,
pin_cpu_grads=config.pin_cpu_grads,
pin_cpu_params=config.pin_cpu_params,
)
```
### Bridge CUDA graph guard
```232:234:src/megatron/bridge/models/gpt_full_te_layer_autocast_spec.py
assert not config.cpu_offloading and config.recompute_granularity is None, "Cudagraphs not supported"
```
### Bridge activation offloading in PEFT
```621:631:src/megatron/bridge/peft/utils.py
if self.config.cpu_offloading and self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_in(x)
x = self.activation(x)
if self.config.cpu_offloading and self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_out(x)
```
## Failure Diagnosis
| Symptom | Likely Cause | How To Confirm | Fix |
|---|---|---|---|
| `Currently there is no support for Pipeline parallelism with CPU offloading` | Activation offload + PP > 1 | Check `pipeline_model_parallel_size` | Set PP=1 or use optimizer offloading |
| `CPU offloading does not work when activation recomputation is enabled` | Activation offload + recompute | Check `recompute_granularity` | Set `recompute_granularity=null` |
| `fine_grained_activation_offloading cannot be enabled with cpu_offloading` | Both offloading modes enabled | Check both flags | Use one or the other |
| `CUDA graphs not supported with CPU offloading` | CUDA graphs + activation offload | Check `cuda_graph_impl` | Set `cuda_graph_impl="none"` |
| OOM with activation offloading | Model too large for PP=1 | Check allocated memory vs 80 GB | Use optimizer offloading with PP > 1 |
| Extreme slowdown (>4x) | 100% optimizer offload, CPU Adam bottleneck | Compare iter time at different fractions | Reduce fraction or enable `overlap_cpu_optimizer_d2h_h2d` |
| OOM at partial optimizer offload | Insufficient offload for this config | Check memory at different fractions | Increase fraction or add PP |
## Known Limitations
- Activation offloading requires PP=1, making it impractical for large models
(30B+ MoE) that need pipeline parallelism.
- Optimizer offloading throughput penalty scales linearly (~1.9x at 25%,
~4.2x at 100% for Qwen3-30B-A3B).
- D2H/H2D overlap provides only ~7% speedup because CPU Adam compute is
the dominant bottleneck.
- `fine_grained_activation_offloading` is a separate module-level approach
that works with PP > 1 but cannot be combined with layer-level
`cpu_offloading`.
Todos los archivos
6 archivosInstalar nemo-mbridge-perf-cpu-offloading
Descarga y descomprime los archivos de habilidades en tu directorio .claude/skills/.
Descargar ZIPClona el repositorio y copia los archivos de la habilidad a tu proyecto.
git clone https://github.com/NVIDIA/skills/tree/main/skills/nemo-mbridge-perf-cpu-offloading # Copy SKILL.md to your .claude/skills/ directory
Copiar





Hogar
