1. 单机多卡训练（Single Machine, Multi-GPU）

概念

• 在同一台服务器上，有多块 GPU。
• 一个训练任务利用所有 GPU 并行加速训练。
• 数据集存放在本地硬盘或共享存储上。

核心原理

1. 数据并行（Data Parallelism）

   • 将一个 batch 划分成多个 mini-batch，每块 GPU 处理一个 mini-batch。
   • 每个 GPU 都有完整的模型副本。
   • 前向计算在各自 GPU 独立进行。
   • 反向传播结束后，通过 梯度同步（All-Reduce）聚合梯度，再更新模型参数。
     • All-Reduce: 梯度求和取平均 + 同步更新，这样保证梯度是基于全局 batch 的估计

2. 梯度同步方式

   • PyTorch 的 DistributedDataParallel（DDP） 或 TensorFlow 的 MirroredStrategy 都使用 NCCL（NVIDIA Collective Communication Library）在 GPU 间高速同步。
     • 多GPU训练中，不同GPU需要频繁交换数据（如梯度）。如果直接用通用通信方式（比如通过CPU或普通网络库），效率极低。
     • NCCL（NVIDIA Collective Communications Library, NVIDIA 集合通信库）多GPU和多节点环境优化的通信库。
   • 由于在同一台机器，带宽高、延迟低，通信成本较低。

优缺点

• 优点：

  • 实现简单，通信效率高。
  • 训练速度明显提升。

• 缺点：

  • 受限于单机 GPU 数量和显存大小。
  • 数据量非常大时无法容纳。

实现要点

• 使用 torch.nn.DataParallel（老方法）或 torch.nn.parallel.DistributedDataParallel（推荐）。
• Batch size 可以拆分到每张 GPU。
• 注意随机种子和数据划分，保证每个 GPU 数据不同。

---

2. 多机多卡训练（Multi-Machine, Multi-GPU）

概念

• 训练任务跨多台服务器，每台服务器有多块 GPU。
• 每台机器称为 Node，每块 GPU 称为 Rank。
• 适合大规模数据集或模型，单机无法容纳。

核心原理

1. 分布式数据并行（Distributed Data Parallel, DDP）

   • 每个 GPU 依然保留完整模型副本。
   • 每个 GPU 处理自己分配的 mini-batch。
   • 梯度通过 All-Reduce 在所有 GPU 间同步，包括跨机通信。
     • AllReduce 的设计就是 每个 GPU 都计算自己负责的部分，然后通过网络传递累加，最终所有 GPU 得到相同结果。

2. 通信机制

   • 跨机通信通常通过高速网络（InfiniBand 或 10/25/100GbE）进行。
   • 需要指定 Master Node IP 和端口，其他节点通过 NCCL 或 Gloo 与 Master 节点通信。
   • 训练框架（如 PyTorch DDP、Horovod）负责梯度同步。

3. 梯度同步策略

   • 每次反向传播完成后，将梯度在所有 GPU 汇总并平均，然后更新模型。
   • 可使用 梯度压缩 / 分层同步 优化跨机通信开销。

优缺点

• 优点：

  • 可以训练超大模型或超大数据集。
  • 扩展性好，GPU 数量理论上无限。

• 缺点：

  • 实现复杂，需要网络配置和多机同步。
  • 跨机通信延迟高，成为训练瓶颈。
  • 出错排查困难（网络、节点故障、不同版本依赖）。

实现要点

• 确定每个 GPU 的 global rank（全局编号）。
• 配置 MASTER_ADDR、MASTER_PORT。
• 使用 torch.distributed.launch 或 torchrun 启动训练。
• 注意 Batch size 调整（全局 batch = 每 GPU batch × GPU 数 × 节点数）。
• 数据集划分需要确保不同节点不重复读取。

---

3. 核心区别总结

维度	单机多卡	多机多卡
训练范围	一台机器	多台机器
GPU 通信	同机高速互连（PCIe/NVLink）	网络跨机（Ethernet/InfiniBand）
实现复杂度	低	高，需要网络配置
扩展性	受限于单机 GPU 数量	高，可扩展到上百 GPU
通信开销	低	高，可能成为瓶颈
框架示例	PyTorch DDP、MirroredStrategy	PyTorch DDP、Horovod