预训练任务
配置预训练脚本glm3_base.sh中的超参，并执行预训练任务。
Step1 配置预训练超参
预训练脚本glm3_base.sh，存放在“xxx-Ascend/llm_train/AscendSpeed/scripts/glm3”目录下。训练前，可以根据实际需要修改超参配置。xxx-Ascend请根据实际目录替换。
参数 |
示例值 |
参数说明 |
|---|---|---|
DATASET_PATH |
/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/pretrain/alpaca_text_document |
必填。训练时指定的输入数据路径。一般为数据地址/处理后的数据前缀名，不加文件类型后缀。 请根据实际规划修改。 |
TOKENIZER_PATH |
/home/ma-user/ws/tokenizers/GLM3-6B |
必填。加载tokenizer时，tokenizer存放地址。 请根据实际规划修改。 |
MODEL_TYPE |
6B |
必填。表示模型加载类型。 |
TRAIN_ITERS |
200 |
非必填。表示训练迭代周期，根据实际需要修改。 |
MBS |
1 |
非必填。表示流水线并行中一个micro batch所处理的样本量。在流水线并行中，为了减少气泡时间，会将一个step的数据切分成多个micro batch。 该值与TP和PP以及模型大小相关，可根据实际情况进行调整。 默认值1。单机建议为1，双机建议为2。 |
GBS |
64 |
非必填。表示训练中所有机器一个step所处理的样本量。影响每一次训练迭代的时长。默认值64。单机建议为64，双机建议为128。 |
TP |
2 |
非必填。表示张量并行。默认值为2。 |
PP |
4 |
非必填。表示流水线并行。默认值为4。单机建议为4，双机建议为8。 |
RUN_TYPE |
pretrain |
必填。表示训练类型，根据实际训练任务类型选择。取值说明：
|
MASTER_ADDR |
localhost |
多机必填，单机忽略；指定主节点IP地址，多台机器中需要指定一个节点IP为主节点IP。 一般指定第一个节点IP为主节点IP。 |
NNODES |
1 |
多机必填，单机忽略；节点总数，单机写1，双机写2。 |
NODE_RANK |
0 |
多机必填，单机忽略；节点序号，当前节点ID，一般从0开始，单机默认是0。 |
WORK_DIR |
/home/ma-user/ws |
非必填。容器的工作目录。训练的权重文件保存在此路径下。默认值为：/home/ma-user/ws。 |
SEQ_LEN |
8192 |
非必填。默认值为8192。 |
Step2 启动训练脚本
请根据表1修改超参值后，再启动训练脚本。
单机启动
以GLM3-6B为例，单机训练启动样例命令如下，以自己实际为准。
进入代码目录/home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed下执行启动脚本。xxx-Ascend请根据实际目录替换。
MODEL_TYPE=6B RUN_TYPE=pretrain DATASET_PATH=/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/pretrain/alpaca_text_document TOKENIZER_PATH=/home/ma-user/ws/tokenizers/GLM3-6B TRAIN_ITERS=200 MBS=1 GBS=64 TP=2 PP=4 SEQ_LEN=8192 WORK_DIR=/home/ma-user/ws sh scripts/glm3/glm3_base.sh
其中MODEL_TYPE、RUN_TYPE、DATASET_PATH、TOKENIZER_PATH为必填。TRAIN_ITERS、MBS、GBS、TP、PP、SEQ_LEN 为非必填，有默认值。
多机启动
以GLM3-6B为例，多台机器执行训练启动命令如下。多机启动需要在每个节点上执行，以下命令以双机为例。
进入代码目录/home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed下执行启动脚本。xxx-Ascend请根据实际目录替。
#第一台节点 MASTER_ADDR=xx.xx.xx.xx NNODES=2 NODE_RANK=0 MODEL_TYPE=6B RUN_TYPE=pretrain DATASET_PATH=/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/pretrain/alpaca_text_document TOKENIZER_PATH=/home/ma-user/ws/tokenizers/GLM3-6B TRAIN_ITERS=200 MBS=2 GBS=128 TP=2 PP=8 SEQ_LEN=8192 WORK_DIR=/home/ma-user/ws sh scripts/glm3/glm3_base.sh ... ... # 第二台节点 MASTER_ADDR=xx.xx.xx.xx NNODES=2 NODE_RANK=1 MODEL_TYPE=6B RUN_TYPE=pretrain DATASET_PATH=/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/pretrain/alpaca_text_document TOKENIZER_PATH=/home/ma-user/ws/tokenizers/GLM3-6B TRAIN_ITERS=200 MBS=2 GBS=128 TP=2 PP=8 SEQ_LEN=8192 WORK_DIR=/home/ma-user/ws sh scripts/glm3/glm3_base.sh
以上命令多台机器执行时，只有${NODE_RANK}：节点ID值不同，其他参数都保持一致。
其中MASTER_ADDR、NODE_RANK、MODEL_TYPE 、RUN_TYPE、DATASET_PATH、TOKENIZER_PATH为必填；TRAIN_ITERS、MBS、GBS、TP、PP、WORK_DIR、SEQ_LEN为非必填，有默认值。
等待模型载入
执行训练启动命令后，等待模型载入，当出现“training”关键字时，表示开始训练。训练过程中，训练日志会在最后的Rank节点打印。
更多查看训练日志和性能操作，请参考查看日志和性能章节。
如果需要使用断点续训练能力，请参考断点续训练章节修改训练脚本。
