大模型推理部署并行策略详解：新手必备收藏指南
本文详细介绍了大模型推理部署中的常见并行策略，包括数据并行（DP）、张量并行（TP）、序列并行（SP/CP）、层并行（PP）和专家并行（EP）。针对GPU显存不足或算力不足的问题，解释了各并行策略的基本原理和应用场景，帮助读者快速掌握大模型推理部署的核心技术。文章还讨论了结合不同策略的优势和不足，以及如何根据具体场景选择合适的并行策略。
1 DP策略
1.1 基本原理
DP(Data Parallel)数据并行，是用来应对数据并发量比较大的一种策略。DP的做法是在不同的GPU上跑LLM模型的多个副本，每个模型副本都独立去处理对应的用户请求组。
它的原理跟开多个推理实例并发处理是一样的，区别在于，开DP的时候多个模型副本共用一个推理实例，由这个推理实例里的调度器来把请求分配给不同DP的模型副本。
2 TP策略
2.1 基本原理
Tensor Parallelism，也就是张量并行，简单说就是把模型的每一层拆分开，放到不同的GPU上去跑，用户输入的数据会在这些GPU之间传递处理，每个GPU算出的局部结果最后再拼到一起，形成完整的输出。
张量并行的计算依据是矩阵的分块运算，这种运算方式不会影响最终的计算结果。
张量并行在大模型推理里用得特别多，主要就是为了减少单张显卡的显存占用，同时也能分担计算压力。
3 SP策略
3.1 基本原理
SP(Seqeunce Parallel)序列并行指的是把长序列拆成多个片段，分到不同的GPU设备上同时处理，属于一种模型并行的策略。示意图如下：
3.2 SP与其它策略结合
Megatron中TP与SP结合的例子：
负载均衡中SP与DP结合案例：
4 PP策略
4.1 基本原理
PP（Pipeline Parallel）流水线并行，是把模型按层拆分到不同设备上，数据像流水线一样在各个设备之间依次流转处理。
这种并行方式最早是在模型训练中得到广泛应用的，相关可以参考Megatron2。
在PP的前向和后向计算过程中，会产生空泡问题，训练时需要想办法把这些空泡消除掉。
而在推理任务里，流水线并行虽然只需要做前向传播，但实际能用的场景并不多，一般只有在GPU显存实在装不下对应的模型权重时，才会考虑使用。
5 EP策略
5.1 基本原理
EP（Expert Parallel）是MoE模型里用到的一种并行策略，简单说就是把不同的专家网络分到不同的GPU上。
每张GPU只存一部分专家参数，一张卡上可以放一个或者多个专家。
输入的数据会通过路由机制，分到对应的专家所在的GPU上做计算，最后再把计算结果汇总到一起。
这样做能明显扩大模型的总参数量，同时还能控制好单个GPU的内存占用，很适合用来训练超大的稀疏模型。
现在比较常见的做法是把EP和DP结合起来用，一般Attention部分用DP，FFN部分用EP。
不过用EP做切分的时候，容易出现负载不均衡的情况，这个问题可以通过EPLB来解决。
6 其它策略
6.1 CP策略
CP（Context Parallel）上下文并行和序列并行SP，都是从序列维度来做划分的并行策略，而且这两种方式最早都是在训练并行的场景里被提出来的。
它们的发展过程是这样的：最先出现的是SP策略，主要用来处理模型前向和反向传播过程里，除了Attention计算之外，因为序列切分产生的内存和计算消耗问题。
之后为了进一步解决Attention模块本身的序列并行难题，Megatron框架就引入了CP策略。这两种策略的原理比较接近，只是针对的计算阶段不一样。
6.2 Ulysses并行
Ulysses的全称是DeepSpeed‑Ulysses，它的核心逻辑是这样的：打开序列并行之后，在多头Attention运算开始之前，多个GPU设备之间会先做数据交换，这样单个GPU就能拿到完整的序列。
等Attention计算结束之后，再通过集合通信把序列恢复成原来被切分的样子。
总结
在做大模型推理的时候，现在主流的推理框架基本都支持好几种并行策略。这些策略各有各的优势和不足，主要是为了解决不同层面上的性能和资源问题。
实际挑选用哪种的时候，要结合具体场景来综合判断，比如模型参数量、PD/AF分离的需求、硬件拓扑的特点这些因素都要考虑进去。
最后
近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！
业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验，借行业风口实现职业翻盘！
深知技术人入门大模型时容易走弯路，我特意整理了一套全网最全最细的大模型零基础学习礼包，涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费，免费分享给所有想入局AI大模型的朋友！
👇👇扫码免费领取全部内容👇👇
部分资料展示
1、 AI大模型学习路线图
2、 全套AI大模型应用开发视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 大模型学习书籍&文档
4、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、大模型大厂面试真题
整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。
6、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
- 👇👇扫码免费领取全部内容👇👇
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
