nemo-mbridge-perf-cpu-offloading
NVIDIA/skills
Настройте и проверьте перенос вычислений на ЦП при обучении Megatron Bridge, включая перенос активаций и перенос состояния оптимизатора с помощью HybridDeviceOptimizer.
...Расширить всеПеренос нагрузки с ЦП
Ссылки
- Стабильная документация: @docs/training/cpu-offloading.md
- Структурированные метаданные: @skills/nemo-mbridge-perf-cpu-offloading/card.yaml
Что это
Два независимых механизма для перемещения данных из памяти GPU в память CPU:
| Механизм | Пространство имён конфигурации | Что переносится | Ограничение PP |
|---|---|---|---|
| Перенос активаций | model.cpu_offloading* |
Активации (и, опционально, веса) для каждого слоя трансформатора | PP должно быть равно 1 |
| Перенос оптимизатора | optimizer.optimizer_cpu_offload |
Состояния оптимизатора Adam (импульс + дисперсия) через HybridDeviceOptimizer |
Нет |
Быстрое решение
| Ситуация | Рекомендация |
|---|---|
| Крупная модель MoE (более 30 млрд), требуется PP > 1 | Вынос оптимизатора — вынос активации блокируется PP=1 |
| Небольшая/средняя модель, подходит PP=1, доминирует память активаций | Выгрузка активаций |
| Требуется настраиваемый компромисс между объёмом памяти и скоростью | Выгрузка оптимизатора с использованием дробного параметра optimizer_offload_fraction |
| Пропускная способность — главный приоритет | Не включать — перенос всегда приводит к дополнительным затратам |
| Требуются графы CUDA | Только выгрузка оптимизатора — выгрузка активаций несовместима |
| Нагрузка на память умеренная | Выгрузка оптимизатора на 25–50 % для максимальной эффективности |
Включение
Перенос оптимизатора на ЦП (рекомендуется для больших моделей)
cfg.optimizer.optimizer_cpu_offload = True
cfg.optimizer.optimizer_offload_fraction = 1.0
cfg.optimizer.overlap_cpu_optimizer_d2h_h2d = True
Переопределения в CLI:
optimizer.optimizer_cpu_offload=True \
optimizer.optimizer_offload_fraction=0.5 \
optimizer.overlap_cpu_optimizer_d2h_h2d=True
Перенос активаций на ЦП (только для небольших и средних моделей)
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"
Справочник по параметрам конфигурации
Перенос задач на оптимизатор
| Параметр | Значение по умолчанию | Описание |
|---|---|---|
optimizer_cpu_offload |
False |
Главный переключатель |
optimizer_offload_fraction |
0,0 |
Доля состояний оптимизатора на ЦП (0,0–1,0) |
overlap_cpu_optimizer_d2h_h2d |
False |
Перекрытие передач между GPU и CPU с вычислениями |
use_torch_optimizer_for_cpu_offload |
False |
Использовать torch.optim вместо оптимизатора Fused для части, выполняемой на CPU |
Перенос активаций
| Параметр | По умолчанию | Описание |
|---|---|---|
cpu_offloading |
False |
Главный переключатель |
cpu_offloading_num_layers |
0 |
Количество слоев трансформатора для разгрузки (от 0 до num_layers-1) |
cpu_offloading_activations |
True |
Перенести активации |
cpu_offloading_weights |
False |
Веса переноса |
cpu_offloading_double_buffering |
False |
Двойной буфер между слоями при перезагрузке |
Совместимость и ограничения
Перенос активации
pipeline_model_parallel_sizeдолжен быть равен 1recompute_granularityдолжен быть равенNone- Невозможно совмещать с
fine_grained_activation_offloading - Нельзя сочетать с CUDA-графами
cpu_offloading_num_layersдолжен быть в диапазоне[0, num_layers-1)
Вынос оптимизатора
- Требуется
use_distributed_optimizer = True(по умолчанию в большинстве рецептов) - Нет ограничений по PP, пересчёту или графам CUDA
optimizer_offload_fractionдолжен находиться в диапазоне[0.0, 1.0]
Практическое применение: большие модели MoE
Выгрузка активаций заблокирована для Qwen3-30B-A3B и аналогичных крупных MoE- моделей. Ограничение PP=1 означает, что каждый GPU содержит все 48 слоев; одни только веса модели и состояния оптимизатора (~70 ГБ) превышают емкость H100 (80 ГБ).
Минимальная запускаемая команда
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
Верификация
Модульные тесты
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
Критерии успешного прохождения
- Проверка конфигурации проходит успешно для выбранного режима выгрузки
- Обучение завершается без ошибок OOM или NCCL
- Потери соответствуют базовому значению без выгрузки (максимальное отклонение < 0,001)
- Использование памяти снижается пропорционально доле выгрузки
Ориентиры кода
Ограничения на выгрузку активаций MCore
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(
"В настоящее время не поддерживается параллелизм Pipeline с выгрузкой на ЦП"
)
if self.cpu_offloading and self.recompute_granularity is not None:
raise ValueError(
"Перенос на ЦП не работает, если включен пересчёт активаций"
)
Несовместимость графа MCore с CUDA
if self.cpu_offloading:
raise ValueError("Графы CUDA не поддерживаются при переносе на ЦП.")
Взаимное исключение мелкозернистой разгрузки MCore
if self.fine_grained_activation_offloading:
assert (
not self.cpu_offloading
), "fine_grained_activation_offloading нельзя включить при cpu_offloading."
Создание экземпляра HybridDeviceOptimizer в MCore
if config.optimizer_cpu_offload:
# ... настройка классов оптимизаторов 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,
)
Защита графа Bridge CUDA
assert not config.cpu_offloading and config.recompute_granularity is None, "Cudagraphs не поддерживаются"
Перенос активаций в PEFT
if self.config.cpu_offloading и 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)
Диагностика неисправностей
| Симптом | Вероятная причина | Как проверить | Устранение |
|---|---|---|---|
В настоящее время не поддерживается параллелизм конвейера с разгрузкой ЦП |
Перенос активации + PP > 1 | Проверьте значение pipeline_model_parallel_size |
Установите PP=1 или используйте перенос задачи на оптимизатор |
Разгрузка ЦП не работает, если включен пересчёт активаций |
Перенос активации + пересчёт | Проверьте значение параметра recompute_granularity |
Установите recompute_granularity=null |
fine_grained_activation_offloading нельзя включить при использовании cpu_offloading |
Включены оба режима разгрузки | Проверьте оба флага | Используйте либо один, либо другой |
Графы CUDA не поддерживаются при выгрузке на ЦП |
Графы CUDA + перенос активации | Проверьте значение cuda_graph_impl |
Установите cuda_graph_impl="none" |
| Ошибка OOM при переносе активации | Модель слишком велика для PP=1 | Проверьте, выделено ли достаточно памяти (не более 80 ГБ) | Используйте перенос задач с помощью оптимизатора при PP > 1 |
| Резкое замедление (>4x) | 100% разгрузка оптимизатора, узкое место — процессор Adam | Сравните время итерации при разных долях | Уменьшите долю или включите опцию overlap_cpu_optimizer_d2h_h2d |
| Нехватка памяти (OOM) при частичной разгрузке оптимизатора | Недостаточная разгрузка для данной конфигурации | Проверьте объем памяти при разных долях | Увеличьте долю или добавьте PP |
Известные ограничения
- Перенос активации требует PP=1, что делает его нецелесообразным для больших моделей (30B+ MoE), которым требуется конвейерный параллелизм.
- Снижение пропускной способности при выгрузке оптимизатора масштабируется линейно (~1,9 раза при 25 %, ~4,2 раза при 100 % для Qwen3-30B-A3B).
- Перекрытие D2H/H2D обеспечивает ускорение лишь на ~7%, поскольку вычисления Adam на ЦП являются доминирующим узким местом.
fine_grained_activation_offloading— это отдельный подход на уровне модулей, который работает при PP > 1, но не может сочетаться сcpu_offloadingна уровне слоев.
---
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`.
Все файлы
6 файловУстановить nemo-mbridge-perf-cpu-offloading
Скачайте файлы навыков и распакуйте их в каталог .claude/skills/.
Скачать ZIPКлонируйте репозиторий и скопируйте файлы навыка в свой проект.
git clone https://github.com/NVIDIA/skills/tree/main/skills/nemo-mbridge-perf-cpu-offloading # Copy SKILL.md to your .claude/skills/ directory
Копировать





Дом
