分布式训练工程入门介绍
七天实战
边学边练请访问 分布式训练工程七天学会 子站（StoneXYZ AI 品牌），含课表、实验室与学习记录。
这门课解决什么问题？
分布式训练工程 面向希望把「听过概念」升级为「能拆解、能动手、能验收」的工程师与研究者。课程主张：让每一次 AllReduce 都有账可查。
在真实项目里，失败很少来自「不知道名词」，而来自：
- 口径不一致：同一指标在不同工具里含义不同；
- 证据链断裂：只有结论没有可复现步骤；
- 过早优化：没建立基线就调参；
- 忽略约束：安全、延迟、成本、合规未进入设计。
本课程用 7 天把关键概念压缩成可执行路径，并与主站文档互相引用。
为什么现在学？
产业侧模型能力快速迭代，但工程债同步累积：评测不稳、部署不可复现、安全事件频发、成本失控。掌握 分布式训练 相关栈（DDP, FSDP, Megatron, DeepSpeed 等），能让你在选型与排障时有「第一性原理」而不是靠运气。
核心支柱
| 支柱 | 要求 |
|---|---|
| 数据并行 | 可教学、可验证、可迁移 |
| 张量/流水并行 | 可教学、可验证、可迁移 |
| 通信 | 可教学、可验证、可迁移 |
| 显存账本 | 可教学、可验证、可迁移 |
| MFU | 可教学、可验证、可迁移 |
| 容错 | 可教学、可验证、可迁移 |
七天课表速览
| 日程 | 核心产出 |
|---|---|
| Day1 单卡基线 | MFU 与 profiling |
| Day2 DP | 梯度同步与桶 |
| Day3 通信 | AllReduce 曲线 |
| Day4 并行组合 | TP/PP/DP |
| Day5 显存 | 激活重计算与分片 |
| Day6 故障 | 弹性与ckpt |
| Day7 交付 | 可复现实验报告 |
学习成果画像
完成本课程与配套文档后，你应能：
- 用自己的话解释 分布式训练 的关键路径与典型失败模式；
- 搭建最小可运行实验并记录基线指标；
- 阅读开源项目的核心模块并定位扩展点；
- 在发布清单中覆盖质量、安全与回滚项。
与站内其他课程的关系
建议路径：LLM 原理 → 后训练/压缩 → 推理引擎/CUDA → 端侧部署 → AI 安全。本课文档位于「AI 技术栈」，七天子站提供交互实验；主站文档提供可检索的深度文本与图示。
术语最小集
| 术语 | 一句话 |
|---|---|
| 基线（Baseline） | 未优化前的可复现指标快照 |
| 证据（Evidence） | 可复核的日志、曲线、配置与版本 |
| 验收（Acceptance） | 事先写清的通过/否决条件 |
| 回滚（Rollback） | 发布失败时回到上一已知良好版本 |
阅读地图
方法论：先测量，再故事
每次实验固定：
假设 → 变量（只改一个）→ 指标 → 对照 → 结论 → 下一步
不要用「感觉更快」替代数字；也不要用单一最优值掩盖方差。报告至少包含：配置、种子/版本、样本、P50/P90、失败案例。
安全与合规提示
学习内容仅供研究与防御/工程能力建设。涉及攻击面、红队、数据与算力时，请遵守法律与组织授权；生产变更需审批与审计。
小结
分布式训练工程 不是名词堆砌，而是一条从原理到验收的工程链。接下来进入 快速开始，把环境与第一份基 线跑通。
深入：通信-计算重叠
理想情况计算时通信。实现依赖分桶、流水与拓扑感知。小消息延迟主导，大消息带宽主导——要画曲线而不是拍脑袋。
深入：ZeRO/FSDP
通过分片优化器状态、梯度、参数降低单卡显存，代价是额外通信。选择分片阶段要匹配模型规模与互联。
深入：可复现实验报告
分布式实验必须记录：世界规模、并行策略、批次、精度、框架版本、NCCL、是否确定性算法。否则「别人复现不了」会浪费数周。