网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts盘古助手
华为云Astro大屏应用
计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
云手机服务器 CPH
专属主机 DeH
弹性伸缩 AS
镜像服务 IMS
函数工作流 FunctionGraph
云耀云服务器(旧版)
VR云渲游平台 CVR
Huawei Cloud EulerOS
云化数据中心 CloudDC
网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
CDN与智能边缘
内容分发网络 CDN
智能边缘云 IEC
智能边缘平台 IEF
CloudPond云服务
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
可信智能计算服务 TICS
推荐系统 RES
云搜索服务 CSS
数据可视化 DLV
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
湖仓构建 LakeFormation
智能数据洞察 DataArts Insight
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
开天aPaaS
应用平台 AppStage
开天企业工作台 MSSE
开天集成工作台 MSSI
API中心 API Hub
云消息服务 KooMessage
交换数据空间 EDS
云地图服务 KooMap
云手机服务 KooPhone
组织成员账号 OrgID
云空间服务 KooDrive
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
区块链
区块链服务 BCS
数字资产链 DAC
华为云区块链引擎服务 HBS
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
价格
成本优化最佳实践
专属云商业逻辑
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
其他
管理控制台
消息中心
产品价格详情
系统权限
客户关联华为云合作伙伴须知
公共问题
宽限期保留期
奖励推广计划
活动
云服务信任体系能力说明
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts盘古助手
华为云Astro大屏应用
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
存储容灾服务 SDRS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
云存储网关 CSG
专属分布式存储服务 DSS
数据工坊 DWR
地图数据 MapDS
键值存储服务 KVS
容器
云容器引擎 CCE
云容器实例 CCI
容器镜像服务 SWR
云原生服务中心 OSC
应用服务网格 ASM
华为云UCS
数据库
云数据库 RDS
数据复制服务 DRS
文档数据库服务 DDS
分布式数据库中间件 DDM
云数据库 GaussDB
云数据库 GeminiDB
数据管理服务 DAS
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
AI开发平台ModelArts
华为HiLens
图引擎服务 GES
图像识别 Image
文字识别 OCR
自然语言处理 NLP
内容审核 Moderation
图像搜索 ImageSearch
医疗智能体 EIHealth
企业级AI应用开发专业套件 ModelArts Pro
人脸识别服务 FRS
对话机器人服务 CBS
语音交互服务 SIS
人证核身服务 IVS
视频智能分析服务 VIAS
城市智能体
自动驾驶云服务 Octopus
盘古大模型 PanguLargeModels
IoT物联网
设备接入 IoTDA
全球SIM联接 GSL
IoT数据分析 IoTA
路网数字化服务 DRIS
IoT边缘 IoTEdge
设备发放 IoTDP
企业应用
域名注册服务 Domains
云解析服务 DNS
企业门户 EWP
ICP备案
商标注册
华为云WeLink
华为云会议 Meeting
隐私保护通话 PrivateNumber
语音通话 VoiceCall
消息&短信 MSGSMS
云管理网络
SD-WAN 云服务
边缘数据中心管理 EDCM
云桌面 Workspace
应用与数据集成平台 ROMA Connect
ROMA资产中心 ROMA Exchange
API全生命周期管理 ROMA API
政企自服务管理 ESM
视频
实时音视频 SparkRTC
视频直播 Live
视频点播 VOD
媒体处理 MPC
视频接入服务 VIS
数字内容生产线 MetaStudio
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
专属云
专属计算集群 DCC
开发者工具
SDK开发指南
API签名指南
DevStar
华为云命令行工具服务 KooCLI
Huawei Cloud Toolkit
CodeArts API
云化转型
云架构中心
云采用框架
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
客户运营能力
国际站常见问题
支持计划
专业服务
合作伙伴支持计划
我的凭证
华为云公共事业服务云平台
工业软件
工业数字模型驱动引擎
硬件开发工具链平台云服务
工业数据转换引擎云服务
文档首页/ AI开发平台ModelArts/ 最佳实践/ 文生视频模型训练推理/ CogVideoX模型基于Lite Server适配PyTorch NPU全量训练指导(6.3.911)

CogVideoX模型基于Lite Server适配PyTorch NPU全量训练指导(6.3.911)

更新时间:2025-02-19 GMT+08:00
分享

本文档主要介绍如何在ModelArts的Lite Server环境中,使用NPU卡对CogVideoX模型基于sat框架进行全量微调。本文档中提供的脚本,是基于原生CogVideoX的代码基础适配修改,可以用于NPU芯片训练。

CogVideo是一个94亿参数的Transformer模型,用于文本到视频生成。通过继承一个预训练的文本到图像模型CogView2,还提出了多帧速率分层训练策略,以更好地对齐文本和视频剪辑。作为一个开源的大规模预训练文本到视频模型,CogVideo性能优于所有公开可用的模型,在机器和人类评估方面都有很大的优势。

方案概览

本方案介绍了在ModelArts的Lite Server上使用昇腾计算资源开展CogVideoX-2b/5b全量微调的详细过程。完成本方案的部署,需要先联系您所在企业的华为方技术支持购买Lite Server资源。

本方案目前仅适用于企业客户。

资源规格要求

推荐使用“西南-贵阳一”Region上的Lite Server资源和Ascend Snt9B单机。

表1 环境要求

名称

版本

driver

23.0.6

PyTorch

pytorch_2.1.0

获取软件和镜像

表2 获取软件和镜像

分类

名称

获取路径

插件代码包

AscendCloud-6.3.911-xxx.zip软件包中的AscendCloud-AIGC-6.3.911-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。

获取路径:Support-E,在此路径中查找下载ModelArts 6.3.911 版本。

说明:

如果上述软件获取路径打开后未显示相应的软件信息,说明您没有下载权限,请联系您所在企业的华为方技术支持下载获取。

基础镜像

西南-贵阳一:

swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.0.rc3-py_3.9-hce_2.0.2409-aarch64-snt9b-20241112192643-c45ac6b

从SWR拉取。

约束限制

  • 本文档适配昇腾云ModelArts 6.3.911版本,请参考表2获取配套版本的软件包和镜像,请严格遵照版本配套关系使用本文档。
  • 确保容器可以访问公网。

步骤一:准备环境

  1. 请参考Lite Server资源开通,购买Lite Server资源,并确保机器已开通,密码已获取,能通过SSH登录,不同机器之间网络互通。
    说明:

    当容器需要提供服务给多个用户,或者多个用户共享使用该容器时,应限制容器访问Openstack的管理地址(169.254.169.254),以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据

  2. SSH登录机器后,检查NPU设备检查。运行如下命令,返回NPU设备信息。
    npu-smi info                    # 在每个实例节点上运行此命令可以看到NPU卡状态
    npu-smi info -l | grep Total    # 在每个实例节点上运行此命令可以看到总卡数

    如出现错误,可能是机器上的NPU设备没有正常安装,或者NPU镜像被其他容器挂载。请先正常安装固件和驱动,或释放被挂载的NPU。

  3. 检查docker是否安装。
    docker -v   #检查docker是否安装

    如尚未安装,运行以下命令安装docker。

    yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64
  4. 配置IP转发,用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值,如果为1,可跳过此步骤。
    sysctl -p | grep net.ipv4.ip_forward
    如果net.ipv4.ip_forward配置项的值不为1,执行以下命令配置IP转发。
    sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf
    sysctl -p | grep net.ipv4.ip_forward

步骤二:获取基础镜像

建议使用官方提供的镜像部署服务。镜像地址{image_url}参见表2

docker pull {image_url}

步骤三:启动容器镜像

  1. 启动容器镜像。启动前请先按照参数说明修改${}中的参数。
    export work_dir="自定义挂载的工作目录"
    export container_work_dir="自定义挂载到容器内的工作目录"
    export container_name="自定义容器名称"
    export image_name="镜像名称或ID"
    // 启动一个容器去运行镜像 
    docker run  -itd --net=bridge \
        --device=/dev/davinci0 \
        --device=/dev/davinci1 \
        --device=/dev/davinci2 \
        --device=/dev/davinci3 \
        --device=/dev/davinci4 \
        --device=/dev/davinci5 \
        --device=/dev/davinci6 \
        --device=/dev/davinci7 \
        --device=/dev/davinci_manager \
        --device=/dev/devmm_svm \
        --device=/dev/hisi_hdc \
        --shm-size=32g \
        -v /usr/local/dcmi:/usr/local/dcmi \
        -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
        -v /var/log/npu/:/usr/slog \
        -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
        -v ${work_dir}:${container_work_dir} \
        --name ${container_name} \
        ${image_name} \
        /bin/bash

    参数说明:

    • -v ${work_dir}:${container_work_dir}:代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。work_dir为宿主机中工作目录,目录下可存放项目所需代码、数据等文件。container_work_dir为要挂载到的容器中的目录。为方便两个地址可以相同。
      说明:
      • 容器不能挂载到/home/ma-user目录,此目录为ma-user用户家目录。如果容器挂载到/home/ma-user下,拉起容器时会与基础镜像冲突,导致基础镜像不可用。
      • driver及npu-smi需同时挂载至容器。
    • --name ${container_name}:容器名称,进入容器时会用到,此处可以自己定义一个容器名称。
    • ${image_name}:容器镜像的名称。
    • --device=/dev/davinci0 :挂载对应卡到容器,当需要挂载多卡,请依次添加多项该配置
  2. 通过容器名称进入容器中。默认使用ma-user用户,后续所有操作步骤都在ma-user用户下执行。
    docker exec -it ${container_name} bash

步骤四:安装依赖和软件包

  1. git clone和git lfs下载大模型可以参考如下操作。
    1. 由于欧拉源上没有git-lfs包,所以需要从压缩包中解压使用,在浏览器中输入如下地址下载git-lfs压缩包并上传到容器的/home/ma-user目录下。
      https://github.com/git-lfs/git-lfs/releases/download/v3.2.0/git-lfs-linux-arm64-v3.2.0.tar.gz
      或直接下载到容器,这样在容器中可以直接使用。
      cd /home/ma-user
      wget https://github.com/git-lfs/git-lfs/releases/download/v3.2.0/git-lfs-linux-arm64-v3.2.0.tar.gz
    2. 进入容器,执行安装git lfs命令。
      cd /home/ma-user
      tar -zxvf git-lfs-linux-arm64-v3.2.0.tar.gz 
      cd git-lfs-3.2.0 
      sudo sh install.sh
    3. 设置git配置去掉ssl校验。
      git config --global http.sslVerify false
  2. 从github拉取CogVideoX代码。
    cd /home/ma-user
    git clone https://github.com/THUDM/CogVideo.git
    cd /home/ma-user/CogVideo
    git checkout v1.0
  3. 若进行训练微调需依赖decord和triton包,arm版本可参考附录安装编译。
  4. 安装CogVideo Ascend软件包。
    1. 将获取到的CogVideo Ascend软件包AscendCloud-AIGC-*.zip文件上传到容器的/home/ma-user目录下。获取路径参见获取软件和镜像
    2. 解压AscendCloud-AIGC-*.zip文件,解压后将里面指定文件与对应CogVideo文件进行替换,执行以下命令即可。
      cd /home/ma-user
      unzip AscendCloud-AIGC-*.zip -d ./AscendCloud
      cd AscendCloud/multimodal_algorithm/CogVideo_v1_sft/
      dos2unix install.sh
      bash install.sh
      说明:

      AscendCloud-AIGC-*.zip后面的*表示时间戳,请按照实际替换。

      CogVideo Ascend软件包内容如下:
      .
      |---- install.sh           安装torch-npu适配修改脚本
      |---- modify.patch         适配CogVideo训练代码git patch文件
      |---- README.md            适配文档基于官方代码commit id说明
      |---- requirements.txt     python依赖包
      |---- vae_cache.py         vae_cache文件
      |---- vae_cache.sh         vae_cache脚本

步骤五:CogVideo微调

  1. 下载模型权重

    首先,前往SAT镜像下载模型权重。对于CogVideoX-2B模型,请按照如下方式下载。

    mkdir CogVideoX-2b-sat
    cd CogVideoX-2b-sat
    wget https://cloud.tsinghua.edu.cn/f/fdba7608a49c463ba754/?dl=1
    mv 'index.html?dl=1' vae.zip
    unzip vae.zip
    wget https://cloud.tsinghua.edu.cn/f/556a3e1329e74f1bac45/?dl=1
    mv 'index.html?dl=1' transformer.zip
    unzip transformer.zip

    请按如下链接方式下载CogVideoX-5B模型的transformers文件(VAE 文件与 2B 相同):CogVideoX-5B

    接着,需要将模型文件排版成如下格式。

    .
    ├── transformer
    │   ├── 1000 (or 1)
    │   │   └── mp_rank_00_model_states.pt
    │   └── latest
    └── vae
        └── 3d-vae.pt

    将对应模型下载至容器内。

    #CogVideoX-2b模型地址
    https://huggingface.co/THUDM/CogVideoX-2b
    #CogVideoX-5b模型地址
    https://huggingface.co/THUDM/CogVideoX-5b

    克隆T5模型,该模型不用做训练和微调,但是必须使用。

    5b模型参考如下,2b模型请修改对应路径
    mkdir t5-v1_1-xxl
    mv CogVideoX-5b/text_encoder/* CogVideoX-5b/tokenizer/* t5-v1_1-xxl

    通过上述方案,将会得到一个safetensor格式的T5文件,确保在Deepspeed微调过程中读入的时候不会报错。

    ├── added_tokens.json
    ├── config.json
    ├── model-00001-of-00002.safetensors
    ├── model-00002-of-00002.safetensors
    ├── model.safetensors.index.json
    ├── special_tokens_map.json
    ├── spiece.model
    └── tokenizer_config.json
    
    0 directories, 8 files
  2. 准备数据集

    数据集格式应该如下:

    .
    ├── labels
    │   ├── 1.txt
    │   ├── 2.txt
    │   ├── ...
    └── videos
        ├── 1.mp4
        ├── 2.mp4
        ├── ...

    每个 txt 与视频同名,为视频的标签。视频与标签应该一一对应。通常情况下,不使用一个视频对应多个标签。

    如果为风格微调,请准备至少50条风格相似的视频和标签,以利于拟合。

  3. 修改CogVideo/sat/configs/cogvideox_*.yaml文件

    如果希望使用 Lora 微调,需要修改cogvideox_<模型参数>_lora 文件,修改参考如下:

    ***
      conditioner_config:
        target: sgm.modules.GeneralConditioner
        params:
          emb_models:
            - is_trainable: false
              input_key: txt
              ucg_rate: 0.1
              target: sgm.modules.encoders.modules.FrozenT5Embedder
              params:
                model_dir: "t5-v1_1-xxl" # CogVideoX-5b/t5-v1_1-xxl 权重文件夹的绝对路径
                max_length: 226
    
      first_stage_config:
        target: vae_modules.autoencoder.VideoAutoencoderInferenceWrapper
        params:
          cp_size: 1
          ckpt_path: "CogVideoX-5b-sat/vae/3d-vae.pt" # CogVideoX-5b-sat/vae/3d-vae.pt文件夹的绝对路径
          ignore_keys: [ 'loss' ]
  4. 修改CogVideo/sat/configs/sft.yaml配置文件

    支持Lora和全参数微调两种方式。请注意,两种微调方式都仅对transformer部分进行微调。不改动VAE部分,T5仅作为Encoder使用。请按照以下方式修改configs/sft.yaml(全量微调) 中的文件。

      # checkpoint_activations: True ## using gradient checkpointing (配置文件中的两个checkpoint_activations都需要设置为True)
      model_parallel_size: 1 # 模型并行大小
      experiment_name: lora-disney  # 实验名称(不要改动)
      mode: finetune # 模式(不要改动)
      load: "{your_CogVideoX-5b-sat_path}/transformer" ## Transformer 模型路径
      no_load_rng: True # 是否加载随机数种子
      train_iters: 500 # 训练迭代次数
      eval_iters: 1 # 验证迭代次数
      eval_interval: 300    # 验证间隔
      eval_batch_size: 1  # 验证集 batch size
      save: ckpts # 模型保存路径 
      save_interval: 100 # 模型保存间隔
      log_interval: 1 # 日志输出间隔
      train_data: [ "your train data path" ] #训练集路径
      valid_data: [ "your val data path" ] # 训练集和验证集可以相同
      split: 1,0,0 # 训练集,验证集,测试集比例
      num_workers: 8 # 数据加载器的工作线程数
      force_train: True # 在加载checkpoint时允许missing keys (T5 和 VAE 单独加载)
      only_log_video_latents: True # 避免VAE decode带来的显存开销
      deepspeed:
        bf16:
          enabled: False # For CogVideoX-2B Turn to False and For CogVideoX-5B Turn to True
        fp16:
          enabled: True  # For CogVideoX-2B Turn to True and For CogVideoX-5B Turn to False
  5. 修改运行脚本

    编辑CogVideo/sat/finetune_multi_gpus.sh,选择配置文件。下面是两个例子:

    1. 如果您想使用CogVideoX-5B模型并使用Lora方案,需要修改finetune_multi_gpus.sh中参数参考如下:
      --base configs/cogvideox_5b_lora.yaml
    2. 如果您想使用CogVideoX-5B模型并使用全量微调方案,需要修改finetune_multi_gpus.sh中参数参考如下:
      --base configs/cogvideox_5b.yaml
  6. 开始训练微调

    修改CogVideo/sat/vae_cache.sh脚本,将vae模型部分进行预先缓存,也需要对vae_cache.sh脚本中参数修改参考如下:

    --base configs/cogvideox_5b.yaml
    运行微调脚本finetune_multi_gpus.sh
    cd /home/ma-user/CogVideo/sat/
    bash vae_cache.sh
    bash finetune_multi_gpus.sh

以上微调文档提示来自官方文档,有关可用微调脚本参数及其功能的全面文档,您可以参考官方CogVideo文档

附:decord和triton在arm版本安装参考

由于训练使用decord和triton的Python包没有arm版本,请自行进行编译安装,以下给出安装编译教程仅供参考:

  • decord包编译

    可参考如下脚本:

    bash install_decord.sh # install_decord.sh内容如下

    install_decord.sh脚本内容如下:

    cd /home/ma-user/
    git config --global http.sslVerify false
    git clone  --recursive https://github.com/dmlc/decord --depth 1
    cd decord
    mkdir build && cd build
    cmake ..  -DCMAKE_BUILD_TYPE=Release -DFFMPEG_DIR:PATH="/usr/local/ffmpeg/"
    make
    cd ../python
    ### option 1: add python path to $PYTHONPATH, you will need to install numpy separately
    echo "PYTHONPATH=$PYTHONPATH:/home/ma-user/decord/python" >> ~/.bashrc
    source ~/.bashrc
    ### option 2: install with setuptools
    python3 setup.py install --user
  • triton包编译:
    本文档triton包基于commit id 8a3fb7e3fd6b87f09bcb4ebc6编译测试
    cd /home/ma-user 
    git clone https://github.com/triton-lang/triton.git 
    cd /home/ma-user/triton
    git checkout 8a3fb7e3fd6b87f09bcb4ebc6
    cd /home/ma-user/triton/python
    pip install ninja cmake wheel pybind11 
    pip install -e .

    若编译过程出现所依赖的tar包下载失败,如下图所示:

    图1 tar包下载失败

    可设置ssl忽略证书验证,修改/home/ma-user/triton/python/setup.py文件,open_url()方法:

    # 新增ssl忽略证书验证
         import ssl
         context = ssl._create_unverified_context()
         # Set timeout to 300 seconds to prevent the request from hanging forever.
         return urllib.request.urlopen(request, context=context, timeout=300)
    图2 设置ssl忽略证书验证

提示

您即将访问非华为云网站,请注意账号财产安全

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容