准备代码
本教程中用到的训练推理代码和如下表所示,请提前准备好。
获取数据及代码
代码包名称 |
代码说明 |
下载地址 |
---|---|---|
AscendCloud-3rdLLM-6.3.904-xxx.zip
说明:
包名中的xxx表示具体的时间戳,以包名的实际时间为准。 |
包含了本教程中使用到的模型训练代码、推理部署代码和推理评测代码。代码包具体说明请参见代码目录介绍。 AscendSpeed是用于模型并行计算的框架,其中包含了许多模型的输入处理方法。 |
获取路径:Support-E网站。
说明:
如果没有下载权限,请联系您所在企业的华为方技术支持下载获取。 |
权重和词表文件 |
包含了本教程使用到的HuggingFace原始权重文件和Tokenizer。 标记器(Tokenizer)是NLP管道的核心组件之一。它们有一个目的:将文本转换为模型可以处理的数据。模型只能处理数字,因此标记器(Tokenizer)需要将文本输入转换为数字数据。 |
这个路径下既有权重,也有Tokenizer,全部下载。具体内容参见权重和词表文件介绍。 |
本文档前向兼容AscendCloud-3rdLLM-6.3.T041版本,获取路径:Support网站。
代码目录介绍
xxx-Ascend #xxx表示版本号 |──llm_evaluation #推理评测代码包 |──benchmark_eval #精度评测 |──benchmark_tools #性能评测 |──llm_train #模型训练代码包 |──AscendSpeed #基于AscendSpeed的训练代码 |──AscendSpeed #加速库 |──ModelLink #基于ModelLink的训练代码 |──scripts/ #训练需要的启动脚本
本教程需要使用到的训练相关代码存放在llm_train/AscendSpeed目录下,具体文件介绍如下:
|──llm_train #模型训练代码包 |──AscendSpeed #基于AscendSpeed的训练代码 |──AscendSpeed #加速库 |──ModelLink #基于ModelLink的训练代码,数据预处理脚本 |──scripts/ #训练需要的启动脚本,调用ModelLink |──llama2 #llama2的训练代码 |──llama2.sh #llama2训练脚本
权重和词表文件介绍
下载完毕后的HuggingFace原始权重文件包含以下内容,此处以Llama2-70B为例,仅供参考,以实际下载的最新文件为准。
llama2-70B ├── config.json |── generation_config.json |── gitattributes.txt |── LICENSE.txt |── Notice.txt |── pytorch_model-00001-of-00015.bin |── pytorch_model-00002-of-00015.bin |── pytorch_model-00003-of-00015.bin |── ... |── pytorch_model-00015-of-000015.bin |── pytorch_model.bin.index.json |── README.md |── special_tokens_map.json |── tokenizer_config.json |── tokenizer.json |── tokenizer.model └── USE_POLICY.md
工作目录介绍
工作目录结构如下,以下样例以Llama2-70B为例,请根据实际模型命名,Llama2-7B、Llama2-13B或Llama2-70B。
${workdir} #工作目录,例如/home/ma-user/ws |──llm_train |── AscendSpeed #代码目录 |── AscendSpeed #训练依赖的三方模型库 |── ModelLink #AscendSpeed代码目录 |── scripts/ #训练启动脚本 # 数据目录结构 |── processed_for_ma_input |── Llama2-70B |── data #预处理后数据 |── pretrain #预训练加载的数据 |── finetune #微调加载的数据 |──converted_weights #HuggingFace格式转换magatron格式后权重文件 |── saved_dir_for_ma_output #训练输出保存权重,根据实际训练需求设置 |── Llama2-70B |── logs #训练过程中日志(loss、吞吐性能) |── lora #lora微调输出权重 |── sft #增量训练输出权重 |── pretrain #预训练输出权重 |── tokenizers #原始权重及tokenizer目录 |── Llama2-70B |── training_data #原始数据目录 |── train-00000-of-00001-a09b74b3ef9c3b56.parquet #原始数据文件
上传代码到工作环境
- 使用root用户以SSH的方式登录DevServer。
- 将AscendSpeed代码包AscendCloud-3rdLLM-xxx.zip上传到${workdir}目录下并解压缩,如:/home/ma-user/ws目录下,以下都以/home/ma-user/ws为例。
unzip AscendCloud-3rdLLM-*.zip #解压缩
- 上传tokenizers文件到工作目录中的/home/ma-user/ws/tokenizers/Llama2-{MODEL_TYPE}目录,如Llama2-70B。
进入到${workdir}目录下,如:/home/ma-user/ws,创建tokenizers文件目录将权重和词表文件放置此处,以Llama2-70B为例。
cd /home/ma-user/ws mkdir -p tokenizers/Llama2-70B