随着 ChatGPT 的现象级走红，引领了AI大模型时代的变革，从而导致 AI 算力日益紧缺。与此同时，中美贸易战以及美国对华进行AI芯片相关的制裁导致 AI 算力的国产化适配势在必行。之前也分享过一些国产 AI 芯片、使用国产 AI 框架 Mindformers 基于昇腾910训练大模型，使用 MindIE 进行大模型服务化。
另外，我撰写的大模型相关的博客及配套代码均整理放置在Github：llm-action，有需要的朋友自取。
而本文将讲述如何快速迁移大模型到昇腾910B，相信很多人入门大模型都是从斯坦福羊驼开始，本文将使用羊驼的训练代码和训练数据集快速将baichuan2-7B/13B、qwen1.5-7B/14B大模型在昇腾910B上面进行训练。之前的文章讲过 从0到1复现斯坦福羊驼（Stanford Alpaca 7B），本文不再赘述，斯坦福羊驼的整体思路如下图所示。
声明：本次只做训练流程上面的验证，不做loss精度的对齐，不同模型训练的细微差异需视具体情况进行调整。
准备工作
操作系统版本/架构：EulerOS 2.0 (SP10)/aarch64 NPU：8x 910B 64G Python：3.9 NPU 驱动：24.1.rc1，下载 NPU 固件：7.1.0.6.220，下载 CANN 工具包：7.0.0，下载 Pytorch及torch_npu插件：2.1.0，下载 Docker镜像环境：ascend-mindspore:23.0.0-A2-ubuntu18.04 ，下载 DeepSpeed：0.14.1， 下载
查询所有设备的基本信息。
> npu-smi info
+------------------------------------------------------------------------------------------------+
| npu-smi 24.1.rc1 Version: 24.1.rc1 |
+---------------------------+---------------+----------------------------------------------------+
| NPU Name| Health| Power(W)Temp(C) Hugepages-Usage(page)|
| Chip| Bus-Id| AICore(%) Memory-Usage(MB)HBM-Usage(MB)|
+===========================+===============+====================================================+
| 0 910B1 | OK| 95.7360/ 0 |
| 0 | 0000:C1:00.0| 0 0/ 03306 / 65536 |
+===========================+===============+====================================================+
| 1 910B1 | OK| 96.7380/ 0 |
| 0 | 0000:01:00.0| 0 0/ 03307 / 65536 |
+===========================+===============+====================================================+
| 2 910B1 | OK| 92.2360/ 0 |
| 0 | 0000:C2:00.0| 0 0/ 03307 / 65536 |
+===========================+===============+====================================================+
| 3 910B1 | OK| 96.2370/ 0 |
| 0 | 0000:02:00.0| 0 0/ 03306 / 65536 |
+===========================+===============+====================================================+
| 4 910B1 | OK| 92.2360/ 0 |
| 0 | 0000:81:00.0| 0 0/ 03307 / 65536 |
+===========================+===============+====================================================+
| 5 910B1 | OK| 98.7370/ 0 |
| 0 | 0000:41:00.0| 0 0/ 03307 / 65536 |
+===========================+===============+====================================================+
| 6 910B1 | OK| 95.3360/ 0 |
| 0 | 0000:82:00.0| 0 0/ 03306 / 65536 |
+===========================+===============+====================================================+
| 7 910B1 | OK| 94.6390/ 0 |
| 0 | 0000:42:00.0| 0 0/ 03305 / 65536 |
+===========================+===============+====================================================+
本次使用 Atlas 900 RCK A2 计算节点逻辑结构如下所示。
集成四路鲲鹏920处理器，每个处理器支持8个DDR4 DIMM。 iBMC使用华为自研管理芯片，外出VGA、管理网口、调试串口等管理接口。 集成8个昇腾910 AI处理器（NPU模组）： 每个NPU模组通过一路PCIe 4.0 x16与CPU主板对接。 每个NPU模组出1*200GE，通过NPU模组本身自带高速Serdes接口完成。 每个NPU模组提供七路双向带宽为56GB/s的HCCS，实现8个NPU模组Full Mesh连接。
通过以下命令来查询设备CPU和NPU的亲和性关系、多NPU之间的拓扑结构。
> npu-smi info -t topo
NPU0 NPU1 NPU2 NPU3 NPU4 NPU5 NPU6 NPU7 CPU Affinity
NPU0 X HCCS HCCS HCCS HCCS HCCS HCCS HCCS 144-167
NPU1 HCCS X HCCS HCCS HCCS HCCS HCCS HCCS 0-23
NPU2 HCCS HCCS X HCCS HCCS HCCS HCCS HCCS 144-167
NPU3 HCCS HCCS HCCS X HCCS HCCS HCCS HCCS 0-23
NPU4 HCCS HCCS HCCS HCCS X HCCS HCCS HCCS 96-119
NPU5 HCCS HCCS HCCS HCCS HCCS X HCCS HCCS 48-71
NPU6 HCCS HCCS HCCS HCCS HCCS HCCS X HCCS 96-119
NPU7 HCCS HCCS HCCS HCCS HCCS HCCS HCCS X 48-71
Legend:
X = Self
SYS = Path traversing PCIe and NUMA nodes. Nodes are connected through SMP, such as QPI, UPI.
PHB = Path traversing PCIe and the PCIe host bridge of a CPU.
PIX = Path traversing a single PCIe switch
PXB = Path traversing multipul PCIe switches
HCCS = Connection traversing HCCS.
NA = Unknown relationship.
参数说明：
模型准备
下载baichuan2-7B/13B、qwen1.5-7B/14B大模型，用于国内访问HuggingfaceHub不太友好，因此，这里直接通过ModelScope下载。
git lfs clone https://www.modelscope.cn/qwen/Qwen1.5-7B-Chat.git
git lfs clone https://www.modelscope.cn/qwen/Qwen1.5-14B-Chat.git
git lfs clone https://www.modelscope.cn/baichuan-inc/Baichuan2-7B-Chat.git
git lfs clone https://www.modelscope.cn/baichuan-inc/Baichuan2-13B-Chat.git
代码和数据集准备
本文直接复用斯坦福羊驼的代码和数据集进行训练，预先下载代码。
git clone https://github.com/tatsu-lab/stanford_alpaca.git
环境准备
从ascendhub镜像仓库下载镜像。
docker login -u 157xxx4031 ascendhub.huawei.com
docker pull ascendhub.huawei.com/public-ascendhub/ascend-mindspore:23.0.0-A2-ubuntu18.04
创建容器并进入容器。
# docker rm -f pytorch_ubuntu_dev
docker run -it -u root \
--name pytorch_ubuntu_dev \
--network host \
-e ASCEND_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
-v /etc/localtime:/etc/localtime \
-v /var/log/npu/:/usr/slog \
-v /usr/bin/hccn_tool:/usr/bin/hccn_tool \
-v /data/containerd/workspace/:/workspace \
ascendhub.huawei.com/public-ascendhub/ascend-mindspore:23.0.0-A2-ubuntu18.04 \
/bin/bash
# 启动容器
# docker start pytorch_ubuntu_dev
# 进入容器
# docker exec -it pytorch_ubuntu_dev bash
安装conda。
wget -c https://repo.anaconda.com/miniconda/Miniconda3-py39_24.4.0-0-Linux-aarch64.sh
bash Miniconda3-py39_24.4.0-0-Linux-aarch64.sh -p /workspace/installs/conda
source ~/.bashrc
创建虚拟环境。
conda create -n llm-dev python=3.9
conda activate llm-dev
安装Pytorch及其插件torch_npu，注意：torch_npu 最好按官方推荐与Pytorch和CANN的版本对应上，不然可能会出现问题。
pip3 install torch==2.1.0
pip3 install pyyaml setuptools
pip3 install torch-npu==2.1.0
pip3 install numpy attrs decorator psutil absl-py cloudpickle psutil scipy synr tornado
初始化CANN环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh
使用Pytorch测试能否在昇腾NPU是否执行成功。
import torch
import torch_npu
x = torch.randn(2, 2).npu()
y = torch.randn(2, 2).npu()
z = x.mm(y)
print(z)
大模型微调
接下来进入大模型的微调，进入stanford_alpaca项目。
安装依赖
首先，需要安装依赖。
pip install -r requirements.txt
requirements.txt 内容如下所示：
numpy
rouge_score
fire
#openai
transformers>=4.28.1
#torch
sentencepiece
tokenizers>=0.13.3
#wandb
tensorboardX
deepspeed
accelerate
修改代码
然后，简单修改stanford_alpaca中的修改代码，保证训练正常运行。
第一步，删除utils.py中OpenAI相关代码(第11行至130行)。
第二步，添加 trust_remote_code=True 参数，允许执行存储在模型权重文件中的自定义的模型代码。
model = transformers.AutoModelForCausalLM.from_pretrained(
model_args.model_name_or_path,
trust_remote_code=True,
cache_dir=training_args.cache_dir,
)
tokenizer = transformers.AutoTokenizer.from_pretrained(
model_args.model_name_or_path,
trust_remote_code=True,
cache_dir=training_args.cache_dir,
model_max_length=training_args.model_max_length,
padding_side="right",
use_fast=False,
)
至此，整个准备工作就已经完成了，接下来开始训练。
使用 Pytorch FSDP 训练
使用 Pytorch FSDP 训练时，需要通过fsdp_transformer_layer_cls_to_wrap指定transformers层的类。比如，qwen1.5 为Qwen2DecoderLayer、Baichuan2-7B为DecoderLayer、Baichuan2-13B为BaichuanLayer。
qwen1.5-7b运行命令如下，baichuan2-13B的启动命令与之类似，就不再演示。
torchrun --nproc_per_node=8 --master_port=29001 train.py \
--model_name_or_path /workspace/model/Qwen1.5-7B-Chat/ \
--data_path ./alpaca_data_1k.json \
--fp16 True \
--output_dir /workspace/output/alpaca \
--num_train_epochs 1 \
--per_device_train_batch_size 2 \
--per_device_eval_batch_size 4 \
--gradient_accumulation_steps 8 \
--eval_strategy "no" \
--save_strategy "steps" \
--save_steps 2000 \
--save_total_limit 1 \
--learning_rate 2e-5 \
--weight_decay 0. \
--warmup_ratio 0.03 \
--lr_scheduler_type "cosine" \
--logging_steps 1 \
--fsdp "full_shard auto_wrap" \
--fsdp_transformer_layer_cls_to_wrap 'Qwen2DecoderLayer'
使用qwen1.5-14B、baichuan2-13B进行训练时，开启gradient_checkpointing和offload以降低对于显存的消耗，否则可能出现NPU OOM的情况。
qwen1.5-14B 启动脚本下所示，baichuan2-13B的启动命令与之类似，就不再演示。
torchrun --nproc_per_node=8 --master_port=29001 train.py \
--model_name_or_path /workspace/model/Qwen1.5-14B-Chat/ \
--data_path ./alpaca_data_1k.json \
--fp16 True \
--output_dir /workspace/output/alpaca-qwen14 \
--num_train_epochs 1 \
--per_device_train_batch_size 1 \
--per_device_eval_batch_size 4 \
--gradient_accumulation_steps 8 \
--gradient_checkpointing True \
--eval_strategy "no" \
--save_strategy "steps" \
--save_steps 2000 \
--save_total_limit 1 \
--learning_rate 2e-5 \
--weight_decay 0. \
--warmup_ratio 0.03 \
--lr_scheduler_type "cosine" \
--logging_steps 1 \
--fsdp "full_shard offload auto_wrap" \
--fsdp_transformer_layer_cls_to_wrap 'Qwen2DecoderLayer'
使用 Deepspeed Zero 训练
此外，我们还可以使用 Deepspeed Zero 进行训练。在使用 ZeRO 时，通过三个阶段依次对优化器状态（一阶动量、二阶动量）、梯度、参数的切割，解决了传统数据并行中冗余存储的问题，提高了 GPU 的内存使用效率。
ZeRO-1没有将模型本身进行分片，也没有将Gradient进行分片，而是只将优化器进行分片。训练过程与DDP类似。 相比于ZeRO-1，ZeRO-2除了对optimizer state进行切分，还对Gradient进行了切分。 为了进一步节省更多的内存，ZeRO-3提出进行模型参数的分片。
此外，还推出了ZeRO-Offload，其利用异构设备训练（Heterogeneous DL training ）的思想，即利用 CPU 内存来减少 GPU 内存的压力，并集成到了 ZeRO-2 中。ZeRO-Offload 分为 Offload Strategy 和 Offload Schedule 两部分，前者解决如何在 GPU 和 CPU 间划分模型的问题，后者解决如何调度计算和通信的问题。
而 ZeRO-Infinity 则在 ZeRO-Offload 的基础上进一步优化，主要包括三个方面。
一是将和 ZeRO 的结合从 ZeRO-2 延伸到了 ZeRO-3，解决了模型参数受限于单张 GPU 内存的问题； 二是解决了 ZeRO-Offload 在训练 batch size 较小的时候效率较低的问题； 三是除 CPU 内存外，尝试利用 NVMe 的空间进一步打破内存墙的限制训练超大模型。
综上，在使用 ZeRO Stage 1、2 时，可以使用 offload_optimizer 参数将优化器状态卸载到CPU。在使用 ZeRO Stage 3 时，可以同时使用offload_optimizer 和 offload_param 参数将优化器状态和模型参数卸载到CPU或NVMe。
更具体的说明之前的文章 大模型分布式训练并行技术（二）-数据并行 和 AI 集群基础设施 NVMe SSD 详解 。
下面是使用Zero2训练千问1.5-7B的启动命令。
torchrun --nproc_per_node=8 --master_port=29001 train.py \
--model_name_or_path /workspace/model/Qwen1.5-7B-Chat/ \
--data_path ./alpaca_data_1k.json \
--fp16 True \
--output_dir /workspace/output/alpaca2 \
--per_device_train_batch_size 2 \
--gradient_accumulation_steps=8 \
--num_train_epochs 1 \
--per_device_eval_batch_size 4 \
--eval_strategy "no" \
--save_strategy "steps" \
--save_steps 2000 \
--save_total_limit 1 \
--learning_rate 2e-5 \
--weight_decay 0. \
--warmup_ratio 0.03 \
--lr_scheduler_type "cosine" \
--logging_steps 1 \
--deepspeed ds_config_zero2.json
其中，ds_config_zero2.json 放置在 llm-action 中。
使用 Deepspeed Zero3 进行训练启动命令与之类似，配置文件 ds_config_zero3.json 也放置在 llm-action 中。
不过目前在Ascend NPU上面使用Zero3训练baichuan2会报错。使用Zero3训练qwen1.5可以训练成功，但是结合ZeRO-Offload仍然会有问题，需进一步跟进问题的原因。
结语
本文演示了如何快速在昇腾910B上微调baichuan2/qwen1.5大模型，相对于Nvidia GPU来说，目前将大模型部署到910B，基本上不需要太多额外的改动即可完成。当然该方案可能会遇到某些算子瓶颈，导致性能很差，特别是在910A上面特别明显。此外，还有一些库并没有原生支持Ascend NPU，比如：bitsandbytes、Xformers 等。因此，在训练和微调时，会受到一些限制。不过，现在越来越多的训练微调框架已宣布原生支持Ascend NPU了，比如：LLaMA-Factory、unsloth等。
