nemo-mbridge-perf-cpu-offloading
NVIDIA/skills
Configurar e validar o descarregamento de tarefas da CPU para o treinamento do Megatron Bridge, incluindo o descarregamento de ativação e o descarregamento do estado do otimizador com o HybridDeviceOptimizer.
...Expandir tudoDescarregamento da CPU
Referências
- Documentação estável: @docs/training/cpu-offloading.md
- Metadados estruturados: @skills/nemo-mbridge-perf-cpu-offloading/card.yaml
O que é
Dois mecanismos independentes para transferir dados da memória da GPU para a memória da CPU:
| Mecanismo | Espaço de nomes de configuração | O que é descarregado | Restrição de PP |
|---|---|---|---|
| Transferência de ativação | model.cpu_offloading* |
Ativações (e, opcionalmente, pesos) por camada do transformador | O PP deve ser 1 |
| Descarregamento do otimizador | optimizer.optimizer_cpu_offload |
Estados do otimizador Adam (impulso + variância) via HybridDeviceOptimizer |
Nenhum |
Decisão rápida
| Situação | Recomendação |
|---|---|
| Modelo MoE grande (mais de 30 bilhões), requer PP > 1 | Descarregamento do otimizador — o descarregamento da ativação é bloqueado por PP=1 |
| Modelo pequeno/médio, PP=1 é adequado, a memória de ativação predomina | Descarregamento de ativação |
| Deseja-se um equilíbrio ajustável entre memória e velocidade | Descarregamento do otimizador com fração otimizador_descarregamento_fração |
| A taxa de transferência é a prioridade máxima | Não habilitar — a descarregamento sempre adiciona sobrecarga |
| São necessários gráficos CUDA | Apenas descarregamento do otimizador — o descarregamento de ativação é incompatível |
| A pressão sobre a memória é moderada | Descarregamento do otimizador em uma fração de 25% a 50% para obter a melhor eficiência |
Ativação
Descarregamento do otimizador da 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
Substituições na CLI:
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0.5 \
optimizer.overlap_cpu_optimizer_d2h_h2d=True
Descarregamento de ativações da CPU (somente para modelos pequenos/médios)
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"
Referência de parâmetros de configuração
Descarregamento do otimizador
| Parâmetro | Padrão | Descrição |
|---|---|---|
optimizer_cpu_offload |
False |
Chave mestre |
optimizer_offload_fraction |
0,0 |
Fração dos estados do otimizador na CPU (0,0–1,0) |
overlap_cpu_optimizer_d2h_h2d |
Falso |
Sobrepor transferências GPU↔CPU com computação |
use_torch_optimizer_for_cpu_offload |
Falso |
Usar torch.optim em vez do otimizador fusionado para a parte da CPU |
Descarregamento de ativação
| Parâmetro | Padrão | Descrição |
|---|---|---|
cpu_offloading |
False |
Chave mestre |
cpu_offloading_num_layers |
0 |
Número de camadas do transformador a serem descarregadas (0 a num_layers-1) |
cpu_offloading_activations |
Verdadeiro |
Descarregar ativações |
cpu_offloading_weights |
Falso |
Pesos de descarregamento |
cpu_offloading_double_buffering |
Falso |
Buffer duplo entre camadas durante o recarregamento |
Compatibilidade e restrições
Descarregamento de ativação
pipeline_model_parallel_sizedeve ser 1recompute_granularitydeve serNone- Não pode ser combinado com
fine_grained_activation_offloading - Não pode ser combinado com gráficos CUDA
cpu_offloading_num_layersdeve estar no intervalo[0, num_layers-1)
Descarregamento do otimizador
- Requer
use_distributed_optimizer = True(padrão na maioria das receitas) - Sem restrições de PP, recomputação ou gráficos CUDA
optimizer_offload_fractiondeve estar no intervalo[0,0; 1,0]
Aplicação prática: modelos MoE de grande porte
O offloading de ativação está bloqueado para o Qwen3-30B-A3B e modelos MoE de grande porte semelhantes. A restrição PP=1 significa que cada GPU armazena todas as 48 camadas; os pesos do modelo + estados do otimizador, por si só (~70 GB), excedem a capacidade de 80 GB do H100.
Comando mínimo executável
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
Verificação
Testes unitários
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
Critérios de sucesso
- A validação da configuração é aprovada para o modo de offloading selecionado
- O treinamento é concluído sem erros de OOM ou NCCL
- A perda corresponde à linha de base sem offloading (delta máximo < 0,001)
- O uso de memória diminui proporcionalmente à fração de offload
Âncoras de código
Restrições de descarregamento de ativação do MCore
if self.cpu_offloading and (
self.cpu_offloading_num_layers < 0 or self.cpu_offloading_num_layers >=self.num_layers
):
raise ValueError(...)
se self.cpu_offloading e self.pipeline_model_parallel_size > 1:
raise ValueError(
"Atualmente, não há suporte para paralelismo de pipeline com descarregamento da CPU"
)
se self.cpu_offloading e self.recompute_granularity não for None:
raise ValueError(
"O offloading da CPU não funciona quando a recomputação de ativação está habilitada"
)
Incompatibilidade do gráfico CUDA do MCore
se self.cpu_offloading:
raise ValueError("Gráficos CUDA não são suportados com offloading da CPU.")
Exclusão mútua do offloading de granularidade fina do MCore
se self.fine_grained_activation_offloading:
assert (
not self.cpu_offloading
), "fine_grained_activation_offloading não pode ser habilitado com cpu_offloading."
Instanciação do HybridDeviceOptimizer do MCore
se config.optimizer_cpu_offload:
# ... configuração das classes do otimizador 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,
)
Proteção do gráfico CUDA da ponte
assert not config.cpu_offloading and config.recompute_granularity is None, "Gráficos CUDA não suportados"
Descarregamento de ativação do Bridge no PEFT
se self.config.cpu_offloading e self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_in(x)
x = self.activation(x)
se self.config.cpu_offloading e self.config.cpu_offloading_activations:
x.activation_offloading = True
x, _ = self.linear_out(x)
Diagnóstico de falhas
| Sintoma | Causa provável | Como confirmar | Solução |
|---|---|---|---|
Atualmente, não há suporte para paralelismo de pipeline com descarregamento da CPU |
Descarregamento de ativação + PP > 1 | Verifique pipeline_model_parallel_size |
Defina PP=1 ou use o descarregamento do otimizador |
O descarregamento da CPU não funciona quando a recálculo de ativação está habilitado |
Descarregamento de ativação + recálculo | Verifique recompute_granularity |
Defina recompute_granularity=null |
O descarregamento de ativação de granularidade fina (fine_grained_activation_offloading) não pode ser ativado com o descarregamento da CPU (cpu_offloading) |
Ambos os modos de descarregamento ativados | Verifique ambos os sinalizadores | Use um ou outro |
Gráficos CUDA não são compatíveis com o offloading da CPU |
Gráficos CUDA + descarregamento de ativação | Verifique cuda_graph_impl |
Defina cuda_graph_impl="none" |
| OOM com descarregamento de ativação | Modelo muito grande para PP=1 | Verifique a memória alocada em relação a 80 GB | Use o descarregamento do otimizador com PP > 1 |
| Lentação extrema (>4x) | 100% de descarregamento do otimizador, gargalo na CPU Adam | Compare o tempo de iteração em diferentes frações | Reduzir a fração ou habilitar ` overlap_cpu_optimizer_d2h_h2d` |
| OOM com descarregamento parcial do otimizador | Descarregamento insuficiente para esta configuração | Verifique a memória em diferentes frações | Aumente a fração ou adicione PP |
Limitações conhecidas
- A descarregamento de ativação requer PP=1, tornando-a impraticável para modelos grandes (mais de 30 bilhões de MoE) que precisam de paralelismo de pipeline.
- A penalidade de throughput do offload do otimizador varia linearmente (~1,9x a 25%, ~4,2x a 100% para Qwen3-30B-A3B).
- A sobreposição D2H/H2D proporciona apenas ~7% de aceleração, pois o cálculo do Adam na CPU é o gargalo dominante.
O `fine_grained_activation_offloading`é uma abordagem separada no nível do módulo que funciona com PP > 1, mas não pode ser combinada como`cpu_offloading` no nível da camada.
---
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 os arquivos
6 arquivosInstalar nemo-mbridge-perf-cpu-offloading
Baixe e descompacte os arquivos de habilidades no diretório .claude/skills/.
Baixar ZIPClone o repositório e copie os arquivos da habilidade para o seu projeto.
git clone https://github.com/NVIDIA/skills/tree/main/skills/nemo-mbridge-perf-cpu-offloading # Copy SKILL.md to your .claude/skills/ directory
Copiar





Lar
