# GPT-2基于轻量算力节点适配GPU的训练推理指导 #### 场景描述 本文将介绍在GP Ant8裸金属服务器中，使用DeepSpeed框架训练GPT-2（分别进行单机单卡和单机多卡训练）。 训练完成后给出自动式生成内容，和交互式对话框模式。 #### 背景信息 - Megatron-DeepSpeed Megatron-DeepSpeed是一个基于PyTorch的深度学习模型训练框架。它结合了两个强大的工具：Megatron-LM和DeepSpeed，可在具有分布式计算能力的系统上进行训练，并且充分利用了多个GPU和深度学习加速器的并行处理能力。可以高效地训练大规模的语言模型。 Megatron-LM是一个用于大规模语言建模的模型。它基于GPT（Generative Pre-trained Transformer）架构，这是一种基于自注意力机制的神经网络模型，广泛用于自然语言处理任务，如文本生成、机器翻译和对话系统等。 DeepSpeed是开源的加速深度学习训练的库。它针对大规模的模型和分布式训练进行了优化，可以显著提高训练速度和效率。DeepSpeed提供了各种技术和优化策略，包括分布式梯度下降、模型并行化、梯度累积和动态精度缩放等。它还支持优化大模型的内存使用和计算资源分配。 - GPT2 GPT2（Generative Pre-trained Transformer 2），是OpenAI组织在2018年于GPT模型的基础上发布的新预训练模型，是一个基于Transformer且非常庞大的语言模型。它在大量数据集上进行了训练，直接运行一个预训练好的GPT-2模型:给定一个预定好的起始单词或者句子，可以让它自行地随机生成后续的文本。 #### 环境准备 在ModelArts Server购买相关算力的GPU裸金属服务器，并选择AIGC场景通用的镜像，完成使用Megatron-DeepSpeed训练GPT2模型。本最佳实践使用以下镜像和规格： - 镜像选择：Ubuntu 20.04 x86 64bit SDI3 for Ant8 BareMetal with RoCE and NV-525 CUDA-12.0。 - 裸金属规格选择：GP Ant8，包含8张GPU卡以及8张RoCE网卡。 关于Ant8裸金属服务器的购买，可以提工单至ModelArts云服务， 完成资源的申请。 #### 步骤1 安装模型 1. 安装Megatron-DeepSpeed框架。 1. 使用root用户SSH的方式登录GPU裸金属服务器。具体登录方式请参见[SSH密钥方式登录裸金属服务器](https://support.huaweicloud.com/usermanual-bms/zh-cn_topic_0027575694.html)。 2. 拉取PyTorch镜像，可以选择常用的镜像源进行下载。 ``` docker pull nvcr.io/nvidia/pytorch:21.10-py3 ``` 3. 启动容器。 ``` docker run -d -t --network=host --gpus all --privileged --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 --name megatron-deepspeed -v /etc/localtime:/etc/localtime -v /root/.ssh:/root/.ssh nvcr.io/nvidia/pytorch:21.10-py3 ``` 4. 执行以下命令，进入容器终端。 ``` docker exec -it megatron-deepspeed bash ``` 5. 下载Megatron-DeepSpeed框架。 ``` git clone https://github.com/bigscience-workshop/Megatron-DeepSpeed ``` ![](https://support.huaweicloud.com/resmgmt-modelarts/public_sys-resources/note_3.0-zh-cn.png) 如果git clone失败，可以尝试先下载至本地，然后复制至服务器中，再docker cp至容器中。 6. 安装Megatron-DeepSpeed框架。 ``` cd Megatron-DeepSpeed pip install -r requirements.txt -i http://mirrors.myhuaweicloud.com/pypi/web/simple --trusted-host mirrors.myhuaweicloud.com pip install mpi4py -i http://mirrors.myhuaweicloud.com/pypi/web/simple --trusted-host mirrors.myhuaweicloud.com ``` 7. 修改测试代码，注释掉以下文件的断言所在行。 ``` vim /workspace/Megatron-DeepSpeed/megatron/model/fused_softmax.py +191 ``` 在"assert mask is None, "Mask is silently ignored due to the use of a custom kernel""前加"#"，即： ``` # assert mask is None, "Mask is silently ignored due to the use of a custom kernel" ``` 2. 数据集下载和预处理。 本实践中选择使用1GB 79K-record的JSON格式的OSCAR数据集。 1. 下载数据集。 ``` wget https://huggingface.co/bigscience/misc-test-data/resolve/main/stas/oscar-1GB.jsonl.xz wget https://s3.amazonaws.com/models.huggingface.co/bert/gpt2-vocab.json wget https://s3.amazonaws.com/models.huggingface.co/bert/gpt2-merges.txt ``` 2. 解压数据集。 ``` xz -d oscar-1GB.jsonl.xz ``` 3. 预处理数据。 ``` python3 tools/preprocess_data.py \ --input oscar-1GB.jsonl \ --output-prefix meg-gpt2 \ --vocab gpt2-vocab.json \ --dataset-impl mmap \ --tokenizer-type GPT2BPETokenizer \ --merge-file gpt2-merges.txt \ --append-eod \ --workers 8 ``` ![](https://support.huaweicloud.com/resmgmt-modelarts/public_sys-resources/note_3.0-zh-cn.png) 如果发生如下"np.float"报错，按照报错提示修改为"float"即可。 图1预处理数据报错 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002119376665.png "点击放大") 4. 数据预处理完成标识。 图2数据预处理完成 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002083697306.png "点击放大") 5. 新建data目录并移动处理好的数据。 ``` mkdir data mv meg-gpt2* ./data mv gpt2* ./data ``` #### 步骤2 单机单卡训练 本小节使用上文的服务器环境和安装好的模型， 使用GP Ant8裸金属服务器， 完成单机单卡GPT-2 MEDIUM模型的训练。 1. 创建预训练脚本文件。 1. 执行以下命令，创建预训练脚本文件。 ``` vim pretrain_gpt2.sh ``` 2. 在文件中添加以下信息。 ``` #! /bin/bash # Runs the "345M" parameter model GPUS_PER_NODE=1 # Change for multinode config MASTER_ADDR=localhost MASTER_PORT=6000 NNODES=1 NODE_RANK=0 WORLD_SIZE=$(($GPUS_PER_NODE*$NNODES)) DATA_PATH=data/meg-gpt2_text_document CHECKPOINT_PATH=checkpoints/gpt2 DISTRIBUTED_ARGS="--nproc_per_node $GPUS_PER_NODE --nnodes $NNODES --node_rank $NODE_RANK --master_addr $MASTER_ADDR --master_port $MASTER_PORT" python -m torch.distributed.launch $DISTRIBUTED_ARGS \ pretrain_gpt.py \ --tensor-model-parallel-size 1 \ --pipeline-model-parallel-size 1 \ --num-layers 24 \ --hidden-size 1024 \ --num-attention-heads 16 \ --micro-batch-size 4 \ --global-batch-size 8 \ --seq-length 1024 \ --max-position-embeddings 1024 \ --train-iters 5000 \ --lr-decay-iters 320000 \ --save $CHECKPOINT_PATH \ --load $CHECKPOINT_PATH \ --data-path $DATA_PATH \ --vocab-file data/gpt2-vocab.json \ --merge-file data/gpt2-merges.txt \ --data-impl mmap \ --split 949,50,1 \ --distributed-backend nccl \ --lr 0.00015 \ --lr-decay-style cosine \ --min-lr 1.0e-5 \ --weight-decay 1e-2 \ --clip-grad 1.0 \ --lr-warmup-fraction .01 \ --checkpoint-activations \ --log-interval 10 \ --save-interval 500 \ --eval-interval 100 \ --eval-iters 10 \ --fp16 ``` 2. 开始训练。 本文是单机单卡训练，使用预训练脚本参数控制： ``` GPUS_PER_NODE=1 NNODES=1 NODE_RANK=0 ``` 1. 执行以下命令，开始预训练。 ``` nohup sh ./pretrain_gpt2.sh & ``` 图3开始预训练 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002122266621.png "点击放大") 2. 实时查看训练日志，监控程序。 ``` tail -f nohup.out ``` 如果显示如下信息， 表示模型训练完成。 图4模型训练完成 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002119380157.png "点击放大") 在训练过程中观察单GPU卡的利用率。 3. 查看生成的模型checkpoint。 本示例生成的模型checkpoint路径设置在"/workspace/Megatron-DeepSpeed/checkpoints/gpt2"。 ``` ll ./checkpoints/gpt2 ``` 图5模型checkpoint ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002083860306.png "点击放大") #### 步骤3 单机多卡训练 和单机单卡训练相比， 单机多卡训练只需在预训练脚本中设置多卡参数相关即可， 其余步骤与单机单卡相同。 1. 当前选择GPU裸金属服务器是8卡， 因此需要在预训练脚本中调整如下参数： ``` GPUS_PER_NODE=8 ``` 2. 调整全局批处理大小（global batch size）、微批处理大小（micro batch size）、数据并行大小（data_parallel_size）参数。三者的关系为："global_batch_size"可被"micro_batch_size \* data_parallel_size"整除。 本文设置的参数值如下： ``` global_batch_size = 64 micro_batch_size = 4 data_parallel_size = 8 ``` 3. 单机多卡完整的预训练脚本内容如下： ``` #! /bin/bash # Runs the "345M" parameter model GPUS_PER_NODE=8 # Change for multinode config MASTER_ADDR=localhost MASTER_PORT=6000 NNODES=1 NODE_RANK=0 WORLD_SIZE=$(($GPUS_PER_NODE*$NNODES)) DATA_PATH=data/meg-gpt2_text_document CHECKPOINT_PATH=checkpoints/gpt2 DISTRIBUTED_ARGS="--nproc_per_node $GPUS_PER_NODE --nnodes $NNODES --node_rank $NODE_RANK --master_addr $MASTER_ADDR --master_port $MASTER_PORT" python -m torch.distributed.launch $DISTRIBUTED_ARGS \ pretrain_gpt.py \ --tensor-model-parallel-size 1 \ --pipeline-model-parallel-size 1 \ --num-layers 24 \ --hidden-size 1024 \ --num-attention-heads 16 \ --micro-batch-size 4 \ --global-batch-size 64 \ --seq-length 1024 \ --max-position-embeddings 1024 \ --train-iters 5000 \ --lr-decay-iters 320000 \ --save $CHECKPOINT_PATH \ --load $CHECKPOINT_PATH \ --data-path $DATA_PATH \ --vocab-file data/gpt2-vocab.json \ --merge-file data/gpt2-merges.txt \ --data-impl mmap \ --split 949,50,1 \ --distributed-backend nccl \ --lr 0.00015 \ --lr-decay-style cosine \ --min-lr 1.0e-5 \ --weight-decay 1e-2 \ --clip-grad 1.0 \ --lr-warmup-fraction .01 \ --checkpoint-activations \ --log-interval 10 \ --save-interval 500 \ --eval-interval 100 \ --eval-iters 10 \ --fp16 ``` #### 步骤4 使用GPT-2模型生成文本 1. 自动式生成文本。 1. 执行以下命令，创建文本生成脚本。 ``` vim generate_text.sh ``` 增加内容如下： ``` #!/bin/bash CHECKPOINT_PATH=checkpoints/gpt2 VOCAB_FILE=data/gpt2-vocab.json MERGE_FILE=data/gpt2-merges.txt python tools/generate_samples_gpt.py \ --tensor-model-parallel-size 1 \ --num-layers 24 \ --hidden-size 1024 \ --load $CHECKPOINT_PATH \ --num-attention-heads 16 \ --max-position-embeddings 1024 \ --tokenizer-type GPT2BPETokenizer \ --fp16 \ --micro-batch-size 2 \ --seq-length 1024 \ --out-seq-length 1024 \ --temperature 1.0 \ --vocab-file $VOCAB_FILE \ --merge-file $MERGE_FILE \ --genfile unconditional_samples.json \ --num-samples 2 \ --top_p 0.9 \ --recompute ``` 2. 执行以下脚本，生成文本。 ``` sh ./generate_text.sh ``` 如果回显信息如下，则表示生成文本完成。 图6生成文本完成信息 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002083862346.png "点击放大") 3. 查看模型生成的文本文件。 ``` cat unconditional_samples.json ``` 回显信息如下： 图7文件信息 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002119462145.png "点击放大") 2. 开启交互式对话模式。 1. 执行以下命令，创建文本生成脚本。 ``` vim interactive_text.sh ``` 写入如下内容： ``` #!/bin/bash CHECKPOINT_PATH=/workspace/Megatron-DeepSpeed/checkpoints/gpt2_345m VOCAB_FILE=/workspace/Megatron-DeepSpeed/data/gpt2-vocab.json MERGE_FILE=/workspace/Megatron-DeepSpeed/data/gpt2-merges.txt deepspeed /workspace/Megatron-DeepSpeed/tools/generate_samples_gpt.py \ --tensor-model-parallel-size 1 \ --num-layers 24 \ --hidden-size 1024 \ --load $CHECKPOINT_PATH \ --num-attention-heads 16 \ --max-position-embeddings 1024 \ --tokenizer-type GPT2BPETokenizer \ --fp16 \ --micro-batch-size 2 \ --seq-length 1024 \ --out-seq-length 1024 \ --temperature 1.0 \ --vocab-file $VOCAB_FILE \ --merge-file $MERGE_FILE \ --genfile unconditional_samples.json \ --num-samples 0 \ --top_p 0.9 \ --recompute ``` 2. 执行以下脚本，开启交互式对话。 ``` bash interactive_text.sh ``` 回显信息如下，输入huawei并回车后生成内容： ``` Context prompt (stop to exit) >>> huawei ``` 回车后自动输出相关文本， 输出内容与模型训练、数据集强相关，这里仅为示例。 图8模型输出文本信息 ![](https://support.huaweicloud.com/resmgmt-modelarts/figure/zh-cn_image_0000002119462573.png "点击放大")