准备代码

获取模型软件包

本方案支持的模型对应的软件和依赖包获取地址如表1所示。

模型软件包结构说明

|──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

代码上传至OBS

将llm_train文件上传至OBS中。

结合准备数据、准备权重、准备代码，将数据集、原始权重、代码文件都上传至OBS后，OBS桶的目录结构如下。

<bucket_name>
|──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/             # 训练需要的启动脚本
# 以下目录结构，用户自己创建
|── training_data                                           #原始数据目录，需要用户手动创建并上传，后续操作步骤中会提示
      |── train-00000-of-00001-a09b74b3ef9c3b56.parquet    #预训练时预处理后的数据存放地址
      |── alpaca_gpt4_data.json                            #微调数据文件           
|── tokenizers                      #tokenizer目录，需要用户手动创建，后续操作步骤中会提示
      |── llama2-13b-hf
|── 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
      |── llama2-13b-hf