opção
LarLar Skill Ciência de dados e ML nemo-mbridge-perf-cpu-offloading

nemo-mbridge-perf-cpu-offloading

NVIDIA/skills 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 tudo
2
Tempo atualizado 28 de Setembro de 2026

Descarregamento 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_size deve ser 1
  • recompute_granularity deve ser None
  • Não pode ser combinado com fine_grained_activation_offloading
  • Não pode ser combinado com gráficos CUDA
  • cpu_offloading_num_layers deve 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_fraction deve 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.
Ver no GitHub
---
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 arquivos
SKILL.md 9.1k
Ver

Instalar nemo-mbridge-perf-cpu-offloading

Baixe e descompacte os arquivos de habilidades no diretório .claude/skills/.

Baixar ZIP

Clone 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 Copiar
Configuração rápida: Copie a pasta da habilidade para .claude/skills/ O Claude detectará e utilizará automaticamente a habilidade
Repositório NVIDIA/skills

Habilidades relacionadas

web-search
Tempo atualizado 29 de Junho de 2026
webapp-testing
Tempo atualizado 29 de Junho de 2026
lark-base
Tempo atualizado 5 de Julho de 2026
agentmail
Tempo atualizado 29 de Junho de 2026
OR