文档首页/
AI开发平台ModelArts/
最佳实践/
LLM大语言模型训练推理/
主流开源大模型基于Lite Cluster适配PyTorch NPU训练指导（6.3.911）/
准备工作/
准备代码
更新时间：2024-12-17 GMT+08:00
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。
获取模型软件包和权重文件
获取模型权重文件
获取对应模型的权重文件，获取链接参考表1。
权重文件下载有如下几种方式，但不仅限于以下方式：
- 方法一：网页下载：通过单击表格中权重文件获取地址的访问链接，即可在模型主页的Files and Version中下载文件。
- 方法二：huggingface-cli：huggingface-cli是 Hugging Face 官方提供的命令行工具，自带完善的下载功能。具体步骤可参考：HF-Mirror中的使用教程。完成依赖安装和环境变量配置后，以Llama2-70B为例：
huggingface-cli download --resume-download meta-llama/Llama-2-70b-chat-hf --local-dir <模型下载路径>
若要下载指定版本的模型文件，则命令如下：
huggingface-cli download --resume-download meta-llama/Llama-2-70b-chat-hf --revision <模型版本> --local-dir <模型下载路径>
- 方法三：使用专用多线程下载器 hfd：hfd 是本站开发的 huggingface 专用下载工具，基于成熟工具 git+aria2，可以做到稳定下载不断线。
- 方法四：使用Git clone，官方提供了 git clone repo_url 的方式下载，但是不支持断点续传，并且clone 会下载历史版本占用磁盘空间。
模型软件包结构说明
本教程需要使用到的AscendCloud-6.3.911中的AscendCloud-LLM-xxx.zip软件包和算子包AscendCloud-OPP，AscendCloud-LLM关键文件介绍如下。
|——AscendCloud-LLM
|──llm_train # 模型训练代码包
|──AscendSpeed # 基于AscendSpeed的训练代码
|──ascendcloud_patch/ # 针对昇腾云平台适配的功能补丁包
|──scripts/ # 训练需要的启动脚本
|──llama2 # llama2系列模型执行脚本的文件夹
|──llama3 # llama3系列模型执行脚本的文件夹
|──qwen # Qwen系列模型执行脚本的文件夹
|──qwen1.5 # Qwen1.5系列模型执行脚本的文件夹
|── ...
|── dev_pipeline.sh # 系列模型共同调用的多功能的脚本
|── install.sh # 环境部署脚本
|——src/ # 启动命令行封装脚本，在install.sh里面自动构建
|──llm_inference # 推理代码包
|──llm_tools # 推理工具
工作目录介绍
详细的工作目录参考如下，建议参考以下要求设置工作目录。训练脚本以分类的方式集中在 scripts 文件夹中。
${workdir}（例如使用SFS Turbo的路径：/mnt/sfs_turbo/）
|──llm_train #解压代码包后自动生成的代码目录，无需用户创建
|── AscendSpeed # 代码目录
|──ascendcloud_patch/ # 针对昇腾云平台适配的功能代码包
|──scripts/ # 各模型训练需要的启动脚本，训练脚本以分类的方式集中在scripts文件夹中。
# 自动生成数据目录结构
|── processed_for_input #目录结构会自动生成，无需用户创建
|── ${model_name} # 模型名称
|── 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megatron格式后权重文件
|── saved_dir_for_output # 训练输出保存权重，目录结构会自动生成，无需用户创建
|── ${model_name} # 模型名称
|── logs # 训练过程中日志（loss、吞吐性能）
|—— saved_models
|── lora # lora微调输出权重
|── sft # 增量训练输出权重
|── pretrain # 预训练输出权重
|── tokenizers #tokenizer目录，需要用户手动创建，后续操作步骤中会提示
|── Llama2-70B
|── models #原始权重与tokenizer目录，需要用户手动创建，后续操作步骤中会提示
|── Llama2-70B
|── training_data #原始数据目录，需要用户手动创建，后续操作步骤中会提示
|── train-00000-of-00001-a09b74b3ef9c3b56.parquet #原始数据文件
|── alpaca_gpt4_data.json #微调数据文件
上传代码和权重文件到工作环境
- 使用root用户以SSH的方式登录DevServer。
- 将AscendCloud代码包AscendCloud-xxx-xxx.zip上传到${workdir}目录下并解压缩，如SFS Turbo的路径：/mnt/sfs_turbo目录下，以下都以/mnt/sfs_turbo为例，请根据实际修改。
unzip AscendCloud-*.zip
- 上传tokenizers文件到工作目录中的/mnt/sfs_turbo/tokenizers/Llama2-{MODEL_TYPE}目录，如Llama2-70B。
进入到${workdir}目录下，如：/mnt/sfs_turbo，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 /mnt/sfs_turbo mkdir -p tokenizers/Llama2-70B
父主题： 准备工作
