LLaMA 是比较常用的开源模型，基石智算平台的基础镜像中已内置 LLaMA 2 微调所需的模型，此最佳实践介绍如何在基础镜像列表中使用指定镜像文件，一键快速提交分布式训练任务，完成基于 LLaMA 2 7B 的中文预训练模型微调。

前提条件

  • 已经获取基石智算控制台账户和密码。

  • 已完成实名认证且账户余额大于 0 元。

操作步骤

  1. 登录基石智算控制台，默认进入 AI 计算平台。

  2. 在左侧导航栏，选择分布式训练，进入任务列表页面。

  3. 点击创建训练任务，在弹出的创建训练任务页面，按如下要求配置各项参数。

    • 任务信息要求如下：

      • 镜像：选择基础镜像，Pytorch，public/llama2-train:pytorch-2.1.2-cuda12.1-cudnn8-with-model。

      • 启动命令：直接输入 bash main-train.sh 即可。若需指定模型输出路径，可使用 -o 参数，指定相应目录即可，如 bash main-train.sh -o /root/epfs/output

      • 其他参数保持默认，无需进行配置即可。

    • 计算资源要求如下：

      • 框架：选择 PyTorch。

      • 资源组：根据实际情况，选择公共资源池或专属资源组，指定相应资源即可。

  4. 等待分布式训练任务创建完成且在运行中，可查看其详情。

  5. 分布式训练运行中或完成后，在任务列表内，点击该任务操作列内的 TensorBoard 查看相应的模型计算图。

    bp llama adjust new 1

后续操作

LLaMA 模型微调后的部署及使用。

附录

本示例训练任务启动命令中使用的启动脚本为 main-train.sh，其内容如下：

#!/bin/bash
default_output_model="/root/Llama-trains/save_folder"
llama_chinese_main_path="/root/Llama-trains/Llama-Chinese/train/sft"
atom_main_path="/root/Llama-trains/Atom-7B-Chat"

cd ${llama_chinese_main_path}

# 解析参数
while getopts "o:" opt; do
  case $opt in
    o)
      output_model=$OPTARG
      ;;
    \?)
      echo "Invalid option: -$OPTARG" >&2
      exit 1
      ;;
  esac
done

# 如果没有传入参数，使用默认值
if [ -z "$output_model" ]; then
  output_model=$default_output_model
fi
# 需要修改到自己的输入目录
if [ ! -d ${output_model} ];then
    mkdir ${output_model}
fi
export CUDA_HOME=/usr/local/cuda/
# export NCCL_P2P_DISABLE=1
# export NCCL_IB_DISABLE=1
# export CUDA_VISIBLE_DEVICES=4
ulimit -l unlimited
cd ${llama_chinese_main_path}
torchrun --rdzv-conf read_timeout=900,join_timeout=900  finetune_clm_lora.py \
    --model_name_or_path ${atom_main_path} \
    --train_files ../../data/train_sft.csv \
    --validation_files  ../../data/dev_sft.csv \
                         ../../data/dev_sft_sharegpt.csv \
    --per_device_train_batch_size 4 \
    --per_device_eval_batch_size 4 \
    --do_train \
    --do_eval \
    --use_fast_tokenizer false \
    --output_dir ${output_model} \
    --evaluation_strategy  steps \
    --max_eval_samples 800 \
    --learning_rate 1e-4 \
    --gradient_accumulation_steps 8 \
    --num_train_epochs 10 \
    --warmup_steps 400 \
    --load_in_bits 4 \
    --lora_r 8 \
    --lora_alpha 32 \
    --target_modules q_proj,k_proj,v_proj,o_proj,down_proj,gate_proj,up_proj \
    --logging_dir ${TENSORBOARD_LOG_PATH} \
    --logging_strategy steps \
    --logging_steps 10 \
    --save_strategy steps \
    --preprocessing_num_workers 10 \
    --save_steps 2000 \
    --eval_steps 2000 \
    --save_total_limit 200 \
    --seed 42 \
    --disable_tqdm false \
    --ddp_find_unused_parameters false \
    --block_size 2048 \
    --report_to tensorboard \
    --deepspeed ds_config_zero2.json \
    --overwrite_output_dir \
    --ignore_data_skip true \
    --bf16 \
    --gradient_checkpointing \
    --bf16_full_eval \
    --ddp_timeout 18000000 \
    | tee -a ${output_model}/train.log



    # --resume_from_checkpoint ${output_model}/checkpoint-20400 \