SD3.5基于Lite Server适配PyTorch NPU的训练指导（6.5.901）

方案概览

本方案介绍了在ModelArts Lite Server上使用昇腾计算资源Ascend Snt9B开展SD3.5模型的训练过程。

资源规格要求

推荐使用“西南-贵阳一”Region上的Lite Server资源和Ascend Snt9B单机。

获取软件和镜像

约束限制

• 本文档适配昇腾云ModelArts 6.5.901版本，请参考表2获取配套版本的软件包和镜像，请严格遵照版本配套关系使用本文档。
• 确保容器可以访问公网。

步骤一：检查环境

1. 请参考Lite Server资源开通，购买Lite Server资源，并确保机器已开通，密码已获取，能通过SSH登录，不同机器之间网络互通。
   

   购买Lite Server资源时如果无可选资源规格，需要联系华为云技术支持申请开通。

   当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问Openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。

2. SSH登录机器后，检查NPU卡状态。运行如下命令，返回NPU设备信息。

   npu-smi info                    # 在每个实例节点上运行此命令可以看到NPU卡状态
   npu-smi info -l | grep Total    # 在每个实例节点上运行此命令可以看到总卡数

   如出现错误，可能是机器上的NPU设备没有正常安装，或者NPU镜像被其他容器挂载。请先正常安装固件和驱动，或释放被挂载的NPU。

3. 检查是否安装docker。

   docker -v   #检查docker是否安装

   如尚未安装，运行以下命令安装docker。

   yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64

4. 配置IP转发，用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值，如果为1，可跳过此步骤。

   sysctl -p | grep net.ipv4.ip_forward

   如果net.ipv4.ip_forward配置项的值不为1，执行以下命令配置IP转发。

   sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf
   sysctl -p | grep net.ipv4.ip_forward

5. 获取基础镜像。建议使用官方提供的镜像部署推理服务。镜像地址{image_url}参见表2 获取软件和镜像。

   docker pull {image_url}

6. 启动容器镜像。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。

   export work_dir="自定义挂载的工作目录"
   export container_work_dir="自定义挂载到容器内的工作目录"
   export container_name="自定义容器名称"
   export image_name="镜像名称或ID"

   参数说明：

   • --name ${container_name} 容器名称，进入容器时会用到，此处可以自己定义一个容器名称，例如sdxl-diffusers。
   • --device=/dev/davinci1：挂载主机的/dev/davinci1到容器的/dev/davinci1。可以使用npu-smi info查看空闲卡号，修改davinci后数字可以更改挂载卡。
   • -v ${work_dir}:${container_work_dir}：代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。work_dir为宿主机中工作目录，目录下可存放项目所需代码、数据等文件。container_work_dir为要挂载到的容器中的目录。为方便两个地址可以相同

   docker run -itd \
   --name ${container_name} \
   -v /sys/fs/cgroup:/sys/fs/cgroup:ro \
   -v /etc/localtime:/etc/localtime \
   -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
   -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
   -v ${work_dir}:${container_work_dir} \
   --shm-size 60g \
   --device=/dev/davinci_manager \
   --device=/dev/hisi_hdc \
   --device=/dev/devmm_svm \
   --device=/dev/davinci0 \
   --device=/dev/davinci1 \
   --device=/dev/davinci2 \
   --device=/dev/davinci3 \
   --device=/dev/davinci4 \
   --device=/dev/davinci5 \
   --device=/dev/davinci6 \
   --device=/dev/davinci7 \
   --network=bridge \
   ${image_name} bash

7. 进入容器。需要将${container_name}替换为实际的容器名称。

   docker exec -it ${container_name} bash

步骤二：上传代码、权重和数据集到容器中

1. 安装插件代码包。将获取到的插件代码包AscendCloud-AIGC-6.5.901-xxx.zip文件上传到容器的/home/ma-user目录下，并解压。

   cd /home/ma-user
   unzip AscendCloud-AIGC-6.5.901-*.zip #解压

2. 下载模型权重，上传到容器的/home/ma-user目录下，官网下载地址：

   https://huggingface.co/stabilityai/stable-diffusion-3.5-medium/tree/main（需登录）

   https://huggingface.co/stabilityai/stable-diffusion-3.5-large/tree/main（需登录）

步骤三：安装依赖

1. 进入容器中/home/ma-user/aigc_train/torch_npu/sd35路径下。

   cd /home/ma-user/aigc_train/torch_npu/sd35

2. 安装依赖。

   # 拉取diffusers源码并进入目录
   git clone https://github.com/huggingface/diffusers
   cd diffusers 
   git checkout v0.31.0  
   cp ../install.sh .
   
   # 安装依赖
   bash install.sh

步骤四：下载测试数据集

cd /home/ma-user/aigc_train/torch_npu/sd35/diffusers/examples/dreambooth
vim download_dataset.py

脚本download_dataset.py的内容如下：

import torch
import torch_npu
from torch_npu.contrib import transfer_to_npu
from huggingface_hub import snapshot_download
local_dir = "./dog"
snapshot_download(
    "diffusers/dog-example",
    local_dir=local_dir, repo_type="dataset",
    ignore_patterns=".gitattributes",
)

注意：local_dir代表数据集保存路径，默认在当前目录下创建dog目录作为数据集路径。

保存后执行如下命令。

python3 download_dataset.py

步骤五：Finetune训练

图1 Finetune训练

cd /home/ma-user/aigc_train/torch_npu/sd35/diffusers/examples/dreambooth
bash start.sh

训练成功如下图所示。

步骤六：LoRA训练

cd /home/ma-user/aigc_train/torch_npu/sd35/diffusers/examples/dreambooth
bash start_lora.sh