方案概述

场景描述

本文档介绍了在ModelArts的Lite Cluster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，本文将以Snt9b23资源为例介绍训练过程。

AscendFactory是对多种训练框架的一个封装，当前支持Llama-Factory、MindSpeed-LLM（原ModelLink）、VeRL、MindSpeed-RL和MindSpeed-MM五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 Cluster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运维快恢等方面。
• 训练使用Lite Cluster +CCE+ SFS Turbo作为基础设施进行模型部署，存储考虑使用SFS Turbo+OBS联动提升可靠性。
• 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。
• 【可选】推荐业务使用云服务监控AOM/CES进行常见的监控指标查看、告警配置等，并通过昇腾云脑进行故障诊断及巡检。
• 【可选】推荐预留部分资源进行冗余备份，针对资源级别故障可进行快速感知并加速训练任务恢复过程。

约束限制

• 本文档中的模型运行环境是ModelArts Lite Cluster。
• 本文档中的CCE集群版本选择v1.27~1.28。版本使用的容器引擎为Containerd。
• 确保集群可以访问公网。
• 本方案目前仅适用于企业客户，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。

使用流程

图2 使用流程

推荐您根据以下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，结合项目需求评估所需的算力资源、存储资源，以及接入层依赖资源。

   资源规划	说明
   查看模型列表	参考对应昇腾云版本的《训练框架开发指南》。
   查看特性列表
   查看推荐资源

2. 训练准备工作：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. 执行训练任务：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. 训练结果输出（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. 配置监控告警：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. 故障快恢（可选）：资源故障后可通过HA进行资源级恢复；可参考任务级快恢方案的实践构建客户自己任务级快恢的能力。