执行微调训练任务

Step1 上传训练权重文件和数据集

如果在准备代码和数据阶段已经上传权重文件、自定义数据集，可以忽略此步骤。

• 未上传训练权重文件，具体参考上传代码和权重文件到工作环境。
• 使用自定义数据集训练未上传自定义数据集。具体参考上传自定义数据到指定目录章节并更新dataset_info.json 文件。

Step2 修改训练yaml文件配置

LlamaFactroy配置文件为Yaml文件，启动训练前需修改Yaml配置文件，Yaml配置文件在代码目录下的{work_dir}/llm_train/LLaMAFactory/demo.yaml。修改详细步骤如下所示。

1. 选择训练策略类型。
   • sft，复制sft_yaml样例模板内容覆盖demo.yaml文件内容。
   • lora，复制lora_yaml样例模板内容覆盖demo.yaml文件内容。
   • dpo，复制dpo_yaml样例模板内容覆盖demo.yaml文件内容。
2. 修改yaml文件(demo.yaml)的参数如表1所示。

   表1 修改重要参数

   参数	示例值	参数说明
   model_name_or_path	/home/ma-user/ws/tokenizers/Qwen2-72B	必须修改。加载tokenizer与Hugging Face权重时存放目录绝对或相对路径。请根据实际规划修改。
   template	qwen	必须修改。用于指定模板。如果设置为"qwen"，则使用Qwen模板进行训练，模板选择可参照表1中的template列
   output_dir	/home/ma-user/ws/Qwen2-72B/sft-4096	必须修改。指定输出目录。训练过程中生成的模型参数和日志文件将保存在这个目录下。用户根据自己实际要求适配。
   per_device_train_batch_size	1	指定每个设备的训练批次大小
   gradient_accumulation_steps	8	可修改。指定梯度累积的步数，这可以增加批次大小而不增加内存消耗。可根据自己要求适配。取值可参考表1中梯度累积值列。
   num_train_epochs	5	表示训练轮次，根据实际需要修改。一个Epoch是将所有训练样本训练一次的过程。可根据自己要求适配
   cutoff_len	4096	文本处理时的最大长度，此处为4096，用户可根据自己要求适配
   dataset	identity,alpaca_en_demo	【可选】注册在dataset_info.json文件数据集名称。如选用定义数据请参考准备数据（可选）配置dataset_info.json文件，并将数据集存放于dataset_info.json同目录下。
   dataset_dir	/home/ma-user/ws/LLaMAFactory/LLaMA-Factory/data	【可选】dataset_info.json配置文件所属的绝对路径；如使用自定义数据集，yaml配置文件需添加此参数。

3. 是否选择加速深度学习训练框架Deepspeed，可参考表1选择不同的框架。
   • 是，选用ZeRO (Zero Redundancy Optimizer)优化器。
     • ZeRO-0，配置以下参数

       deepspeed: examples/deepspeed/ds_z0_config.json

     • ZeRO-1，配置以下参数，并复制ds_z1_config.json样例模板至工作目录/home/ma-user/LLaMAFactory/LLaMA-Factory/examples/deepspeed

       deepspeed: examples/deepspeed/ds_z1_config.json

     • ZeRO-2，配置以下参数

       deepspeed: examples/deepspeed/ds_z2_config.json

     • ZeRO-3，配置以下参数

       deepspeed: examples/deepspeed/ds_z3_config.json

     • ZeRO-3-Offload，配置以下参数

       deepspeed: examples/deepspeed/ds_z3_offload_config.json

   • 否，默认选用Accelerate加速深度学习训练框架，注释掉deepspeed参数。
4. 是否开启NPU FlashAttention融合算子，具体约束详见NPU_Flash_Attn融合算子约束
   • 是，配置以下参数。

     flash_attn: sdpa

   • 否，注释掉flash_attn: sdpa参数
5. 是否使用固定句长。
   • 是，配置以下参数

     packing: true

   • 否，默认使用动态句长，注释掉packing参数。
6. 选用数据精度格式，以下参数二选一。
   • bf16，配置以下参数

     bf16: true

   • fp16，配置以下参数

     fp16: true

7. 是否使用自定义数据集。
   • 是，参考准备数据（可选）后，配置以下参数：参考表1dataset_dir和dataset参数说明。

     dataset: alpaca_gpt4_data.json
     dataset_dir: /home/ma-user/ws/llm_train/LLaMAFactory/LLaMA-Factory/data 

   • 否，使用代码包自带数据集，注释掉dataset_dir参数，配置参数如下：
     • sft或lora

       dataset: identity,alpaca_en_demo

     • dpo

       dataset: dpo_en_demo

8. 是否使用chatglm4-9b、falcon-11b模型。
   • 是，更新配置或命令。
     • chatglm4-9b，更新transformers为4.41.2版本。

       pip install transformers==4.41.2

     • falcon-11b，参考falcon-11B模型替换文件。
   • 否，忽略此步骤，执行下一步。
9. 如需其他配置参数，可参考表1按照实际需求修改。

Step3 启动训练脚本

修改完yaml配置文件后，启动训练脚本。模型不同最少NPU卡数不同，NPU卡数建议值可参考表1。

1. 修改启动脚本demo.sh

   进入代码目录{work_dir}/llm_train/LLaMAFactory下修改启动脚本，其中{work_dir}为容器挂载路径；修改demo.sh最后一行代码：

   将demo.yaml配置文件路径修改为自己实际绝对路径:{work_dir}/llm_train/LLaMAFactory/demo.yaml，例如将以下命令：

   FORCE_TORCHRUN=1 llamafactory-cli train /data/openllm_gy1/user/lmz/poc_package/LLaMAFactory/demo.yaml

   修改为：

   FORCE_TORCHRUN=1 llamafactory-cli train  /home/ma-user/ws/llm_train/LLaMAFactory/demo.yaml

2. 执行多机启动命令（可选）

   多台机器执行训练启动命令如下。

   多机执行命令为：sh demo.sh <MASTER_ADDR=xx.xx.xx.xx> <NNODES=4> <NODE_RANK=0>
   示例：
   #第一台节点
   sh demo.sh  xx.xx.xx.xx  4  0
   # 第二台节点 
   sh demo.sh  xx.xx.xx.xx  4  1
   # 第三台节点 
   sh demo.sh  xx.xx.xx.xx  4  2
   # 第四台节点 
   sh demo.sh  xx.xx.xx.xx  4  3

   以上命令多台机器执行时，只有${NODE_RANK}的节点ID值不同，其他参数都保持一致。其中MASTER_ADDR、 NODE_RANK、 NODE_RANK为必填。

3. 执行单机启动命令（可选）

   一般小于等于14B模型可选择单机启动，操作过程与多机启动相同，只需修改对应参数即可，可以选用单机启动。

   进入代码目录/home/ma-user/ws/llm_train/LLaMAFactory下执行启动脚本，先修改以下命令中的参数，再复制执行。

   # 单机执行命令为：sh  demo.sh <MASTER_ADDR=localhost> <NNODES=1> <NODE_RANK=0>
   sh demo.sh localhost 1 0

   单机如需指定训练卡数训练可使用ASCEND_RT_VISIBLE_DEVICES变量指定挂载到容器里面的卡的索引，使用执行命令如下：

   ASCEND_RT_VISIBLE_DEVICES=0,1,2,3 sh demo.sh localhost 1 0

   其中ASCEND_RT_VISIBLE_DEVICES=0,1,2,3指使用0-3卡执行训练任务。

训练成功标志

“***** train metrics *****”关键字打印

训练完成后，请参考查看日志和性能章节查看指令微调的日志和性能。

1、如训练过程中遇到“NPU out of memory”“Permission denied” 问题可参考 附录：微调训练常见问题解决。

2、训练中遇到"ImportError: This modeling file requires the following packages that were not found in your environment: flash_attn. Run `pip install flash_attn`"请参考附录：微调训练常见问题问题3小节。

3、大模型参数如（qwen2-72B、llama2-70B）等sft训练完成后多线程退出时报“torch.distributed.DistStoreError: Socket Timeout”时请参考问题4：Error waiting on exit barrier错误

3、需要开启profiling功能进行性能数据采集和解析请参考录制Profiling