方案概述

场景描述

本文档介绍了在ModelArts的Lite Server上基于AscendFactory训练框架，对业界主流的开源三方大模型进行训练的详细过程。训练使用的算力资源是Snt9b和Snt9b23。

AscendFactory是对多种训练框架的一个封装，当前支持MindSpeed-LLM（原ModelLink）、Llama-Factory、VeRL和MindSpeed-RL四种训练框架作为后端，提供一键式训练。

方案架构

图1 方案架构图

本架构描述了部署开源三方大模型训练的整体方案：

• 架构整体主要针对Lite Server场景下使用开源三方大模型给出建议方案，重点关注模型如何训练以及调优、运维等方面。
• 训练使用Lite Server + SFS Turbo作为基础设施进行模型部署，申请Lite server资源建议绑定EIP方便公网访问。
• 在使用三方大模型前需要基于昇腾云AscendFactory和配套的基础镜像制作镜像包，该容器镜像包承载指定的训练框架和配套的依赖包。
• 训练模型权重及过程文件存储建议使用SFS Turbo共享文件系统，并挂载至每个节点，该能力配合断点续训保障方案具备一定的可靠性；【可选】针对Snt9b23没有本地盘可以使用OBS/EVS云硬盘进行日志及文件存储。
• 【可选】推荐业务使用已经对接的云服务监控CES进行常见的监控指标查看、告警配置等。

使用流程

图2 使用流程

推荐您根据以下使用流程使用本解决方案部署开源三方大模型。

1. 资源规划：参考“整体架构”选择部署方案后，结合支持的模型列表、特性及资源规划建议章节选择所需的算力资源、存储资源，以及接入层依赖资源。
2. 训练准备：在华为云购买算力资源和存储资源后，需要下载基础镜像及昇腾软件包制作镜像，并完成对应模型开源权重、数据集准备。
3. 训练执行：结合昇腾云针对各个模型推荐配置进行微调，并进行训练任务。
4. 日志采集（可选）：完成前面步骤后，您已完成基础的训练作业，基于可维护性考虑，您可以了解训练产生的关键日志，辅助关键问题定位。
5. 监控告警（可选）：系统已预置部分监控能力，该部分将推荐您查看常用监控指标，并结合已有能力完成监控告警配置。
6. 配置调优（可选）：当您想优化训练效率，该部分将针对部分场景给您一个建议调优方式，结合具体模型参数量和数据集的大小等辅助您进行探索。
7. 断点续训（可选）：在由于未知原因中断训练时，可结合断点续训内容进行配置并重新拉起训练作业。