随着 ChatGPT 的现象级走红，引领了AI大模型时代的变革，从而导致 AI 算力日益紧缺。与此同时，中美贸易战以及美国对华进行AI芯片相关的制裁导致 AI 算力的国产化适配势在必行。之前也分享过一些国产 AI 芯片、使用国产 AI 框架 Mindformers 基于昇腾910训练大模型，使用 MindIE 进行大模型服务化。
另外，我撰写的大模型相关的博客及配套代码 均整理放置在Github：llm-action，有需要的朋友自取。
而本文将讲述如何快速迁移大模型到昇腾910B，相信很多人入门大模型都是从斯坦福羊驼开始，本文将使用羊驼的训练代码和训练数据集快速将baichuan2-7B/13B、qwen1.5-7B/14B大模型在昇腾910B上面进行训练。之前的文章讲过 从0到1复现斯坦福羊驼（Stanford Alpaca 7B），本文不再赘述，斯坦福羊驼的整体思路如下图所示。
声明：本次只做训练流程上面的验证，不做loss精度的对齐，不同模型训练的细微差异需视具体情况进行调整。
准备工作 操作系统版本/架构 ：EulerOS 2.0 (SP10)/aarch64Pytorch及torch_npu插件 ：2.1.0，下载Docker镜像环境 ：ascend-mindspore:23.0.0-A2-ubuntu18.04 ，下载查询所有设备的基本信息。
> npu-smi info本次使用 Atlas 900 RCK A2 计算节点逻辑结构如下所示。
集成四路鲲鹏920处理器，每个处理器支持8个DDR4 DIMM。 iBMC使用华为自研管理芯片，外出VGA、管理网口、调试串口等管理接口。 每个NPU模组通过一路PCIe 4.0 x16与CPU主板对接。 每个NPU模组出1*200GE，通过NPU模组本身自带高速Serdes接口完成。 每个NPU模组提供七路双向带宽为56GB/s的HCCS，实现8个NPU模组Full Mesh连接。 通过以下命令来查询设备CPU和NPU的亲和性关系、多NPU之间的拓扑结构。
> npu-smi info -t topo参数说明：
模型准备 下载baichuan2-7B/13B、qwen1.5-7B/14B大模型，用于国内访问HuggingfaceHub不太友好，因此，这里直接通过ModelScope下载。
git lfs clone https://www.modelscope.cn/qwen/Qwen1.5-7B-Chat.git代码和数据集准备 本文直接复用斯坦福羊驼的代码和数据集进行训练，预先下载代码。
git clone https://github.com/tatsu-lab/stanford_alpaca.git环境准备 从ascendhub镜像仓库下载镜像。
docker login -u 157xxx4031 ascendhub.huawei.com创建容器并进入容器。
# docker rm -f pytorch_ubuntu_dev安装conda。
wget -c https://repo.anaconda.com/miniconda/Miniconda3-py39_24.4.0-0-Linux-aarch64.sh创建虚拟环境。
conda create -n llm-dev python=3.9安装Pytorch及其插件torch_npu，注意 ：torch_npu 最好按官方推荐与Pytorch和CANN的版本对应上，不然可能会出现问题。
pip3 install torch==2.1.0初始化CANN环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh使用Pytorch测试能否在昇腾NPU 是否执行成功。
import torch大模型微调 接下来进入大模型的微调，进入stanford_alpaca项目。
安装依赖 首先，需要安装依赖。
pip install -r requirements.txtrequirements.txt 内容如下所示：
numpy修改代码 然后，简单修改stanford_alpaca中的修改代码，保证训练正常运行。
第一步，删除utils.py中OpenAI相关代码(第11行至130行)。
第二步，添加 trust_remote_code=True 参数，允许执行存储在模型权重文件中的自定义的模型代码。
model = transformers.AutoModelForCausalLM.from_pretrained(至此，整个准备工作就已经完成了，接下来开始训练。
使用 Pytorch FSDP 训练 使用 Pytorch FSDP 训练时，需要通过fsdp_transformer_layer_cls_to_wrap指定transformers层的类。比如，qwen1.5 为Qwen2DecoderLayer、Baichuan2-7B为DecoderLayer、Baichuan2-13B为BaichuanLayer。
qwen1.5-7b运行命令如下，baichuan2-13B的启动命令与之类似，就不再演示。
torchrun --nproc_per_node=8 --master_port=29001 train.py \使用qwen1.5-14B、baichuan2-13B进行训练时，开启gradient_checkpointing和offload以降低对于显存的消耗，否则可能出现NPU OOM的情况。
qwen1.5-14B 启动脚本下所示，baichuan2-13B的启动命令与之类似，就不再演示。
torchrun --nproc_per_node=8 --master_port=29001 train.py \使用 Deepspeed Zero 训练 此外，我们还可以使用 Deepspeed Zero 进行训练。在使用 ZeRO 时，通过三个阶段依次对优化器状态（一阶动量、二阶动量）、梯度、参数的切割，解决了传统数据并行中冗余存储的问题，提高了 GPU 的内存使用效率。
ZeRO-1没有将模型本身进行分片，也没有将Gradient进行分片，而是只将优化器进行分片。训练过程与DDP类似。 相比于ZeRO-1，ZeRO-2除了对optimizer state进行切分，还对Gradient进行了切分。 为了进一步节省更多的内存，ZeRO-3提出进行模型参数的分片。 此外，还推出了ZeRO-Offload，其利用异构设备训练（Heterogeneous DL training ）的思想，即利用 CPU 内存来减少 GPU 内存的压力，并集成到了 ZeRO-2 中。ZeRO-Offload 分为 Offload Strategy 和 Offload Schedule 两部分，前者解决如何在 GPU 和 CPU 间划分模型的问题，后者解决如何调度计算和通信的问题。
而 ZeRO-Infinity 则在 ZeRO-Offload 的基础上进一步优化，主要包括三个方面。
一是将和 ZeRO 的结合从 ZeRO-2 延伸到了 ZeRO-3，解决了模型参数受限于单张 GPU 内存的问题 ； 二是解决了 ZeRO-Offload 在训练 batch size 较小的时候效率较低的问题； 三是除 CPU 内存外，尝试利用 NVMe 的空间进一步打破内存墙的限制训练超大模型 。 综上，在使用 ZeRO Stage 1、2 时，可以使用 offload_optimizer 参数将优化器状态卸载到CPU。在使用 ZeRO Stage 3 时，可以同时使用offload_optimizer 和 offload_param 参数将优化器状态和模型参数卸载到CPU或NVMe。
更具体的说明之前的文章 大模型分布式训练并行技术（二）-数据并行 和 AI 集群基础设施 NVMe SSD 详解 。
下面是使用Zero2训练千问1.5-7B的启动命令。
torchrun --nproc_per_node=8 --master_port=29001 train.py \其中，ds_config_zero2.json 放置在 llm-action 中。
使用 Deepspeed Zero3 进行训练启动命令与之类似，配置文件 ds_config_zero3.json 也放置在 llm-action 中。
不过目前在Ascend NPU上面使用Zero3训练baichuan2会报错。使用Zero3训练qwen1.5可以训练成功，但是结合ZeRO-Offload仍然会有问题，需进一步跟进问题的原因。
结语 本文演示了如何快速在昇腾910B上微调baichuan2/qwen1.5大模型，相对于Nvidia GPU来说，目前将大模型部署到910B，基本上不需要太多额外的改动即可完成。当然该方案可能会遇到某些算子瓶颈，导致性能很差，特别是在910A上面特别明显。此外，还有一些库并没有原生支持Ascend NPU，比如：bitsandbytes、Xformers 等。因此，在训练和微调时，会受到一些限制。不过，现在越来越多的训练微调框架已宣布原生支持Ascend NPU了，比如：LLaMA-Factory、unsloth等。
粤ICP备14082021号
免费POC，
零成本试错
