本次查询：Data Parallelism
中文解释：数据并行
常见场景：深度学习分布式训练
一句话解释
数据并行是将一份大的训练数据集切分成多个小批次，分别交给不同的计算设备（如GPU）同时处理，每个设备上运行完整的模型副本，最后汇总梯度来更新模型参数。
为什么会被关注
随着AI模型越来越大、数据量爆炸式增长，单机单卡训练耗时过长，甚至无法完成。数据并行能利用多卡或多台机器并行计算，将训练时间从数周缩短到数天甚至数小时，极大提升研发效率。
它还解决了显存限制问题：单卡放不下大模型时，虽然数据并行本身不分割模型，但配合梯度累积等技术，可以突破单卡容量瓶颈。因此成为当前大规模深度学习训练中最常用的并行策略。
核心逻辑
数据并行的核心是“数据分片，模型复制，梯度聚合”。训练开始前，所有设备加载相同的模型参数。每次迭代，主节点将一批数据均匀分发给各设备，每个设备独立计算前向与反向传播，得到局部梯度。
所有设备通过通信方式（如AllReduce）聚合梯度，计算平均梯度，再同步更新每个设备上的模型参数。这种设计保证了不同设备上的模型始终一致，从而等价于更大batch size的训练效果。
常见场景
最典型的应用是使用多块GPU训练视觉或NLP模型，例如用PyTorch的DistributedDataParallel（DDP）在8卡机器上训练ResNet或BERT。云计算环境中，也常用于多节点集群训练。
数据并行也常用于联邦学习的“水平联邦”场景：不同客户端拥有本地数据，共享同一模型结构，通过安全聚合算法更新全局模型。这种方式既保护隐私，又利用多方数据提升模型泛化能力。
容易混淆的点
很多人混淆“数据并行”与“模型并行”。数据并行是在多个设备上复制完整模型，处理不同数据；模型并行是将一个模型拆分到不同设备上，处理同一份数据。两者互补，往往联合使用。
另一个常见误解是认为数据并行一定需要同步更新。实际上还有异步数据并行，各设备独立更新参数再合并，牺牲一致性换取更快速度。但同步并行能保证训练稳定性，是主流选择。