你在 8 张卡上用 DDP 训练，per-GPU batch size 设为 16，梯度累积步数为 2，global batch size 是 256。同事问：(1) DDP 下每张卡上是不是只保存了 1/8 的参数？(2) 他把 world_size 从 8 改成 4、并保持 global batch size 不变之后，收敛曲线明显不同，为什么？(3) 如果他想要的其实是让每张卡显存占用降下来，应该改用什么方案？

面试官在考什么

能否把 DDP（完整副本 + 梯度 all-reduce）与 ZeRO（分片优化器状态/梯度/参数）在“省什么、通信什么”上分开，并算清 global batch 与 world_size 的关系。

分布式训练(DDP/ZeRO)

回答框架 · 前两步

1. DDP 是数据并行：每张卡持有完整的模型副本，各自跑不同的数据，反向得到本地梯度后用 all-reduce 求平均，各卡参数保持一致。它省的是训练时间，不省单卡显存。
2. 想省显存要用分片方案（如 ZeRO/FSDP）：ZeRO-1 分片优化器状态，ZeRO-2 再分片梯度，ZeRO-3 连参数也分片，每卡只存约 1/N。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「深度学习基础」方向页

同一能力域的其他题

• 训练一个深度学习模型时，loss 突然变成 NaN，你会按什么顺序排查？请给出你的排查清单。
• 显存不够时你会怎么办？请按"最小改动到最大改动"排序给出你的方案。
• 你的模型离线指标很好但线上效果很差，你会从哪些角度排查？请按优先级说。
• 梯度裁剪是解决什么问题的？按值裁剪和按范数裁剪有什么区别？裁剪阈值你会怎么定？
• 模型参数量、FLOPs、显存占用、推理延迟这四个指标之间是什么关系？为什么参数量小的模型有时反而更慢？
• 你要在 A100 上训练一个 1B 参数的语言模型。用 fp16 + GradScaler 的 AMP 方案时，loss 能降但曲线比纯 fp32 抖动明显，大约 2000 步时突然出现溢出、之后又恢复。同事说「直接换 bf16 就行了，bf16 比 fp16 精度高」。请回答三件事：(1) fp16 和 bf16 在指数位/尾数位上到底差在哪；(2) 为什么 bf16 通常不需要 loss scaling 而 fp16 需要；(3) 换成 bf16 后你预期抖动、溢出和最终收敛会怎么变，代价是什么。