原文链接
一、摘要
1. 主要针对数据并行操作进行优化 parallel training system，主要针对的部分为
1）data parallelism 数据并行处理
2）pipeline parallelism 流水线并行
3）multiple tensor parallelism 多重张量并行
4）sequence parallelism 序列并行
二、Highlights of Colossal-AI
1. Arsenal of Parallelization Techniques 并行化技术库
1）2D Tensor Parallelism 向量2D化并行处理
主要运用SUMMA matrix multiplication algorithm 矩阵求和运算算法，由于2D的向量在整个pytorch中运用二维tensor储存，所以需要运用矩阵求和运算
SUMMA主要运用切割小块，融入batch，算法概览如下
2） 2.5D和3D的 tensor parallelism
主要比2D多了一个维度P process维度，即流程维度
3）sequence parallelism 序列并行性
主要将长时间序列分割成小子序列，对子序列在不同的处理器进行运算
2. 模型构建
该库的API与pyorch库的API相同
1）模块化
2）可扩展性
三、Architecture 整个项目组成部分
1. registry 注册模型
2. parallel context 并行设置文件
3. layers 用colossal库中的层进行模型构建
4. schedule 程序安排
5. engine 启动器
