文章主题：通义千问, 开源模型, PAI灵骏, 最佳实践
通义千问开源模型在PAI灵骏的最佳实践
引言
在12月1日的新闻发布会上，通义千问公司再度发布重大开源消息，至此，该公司已经成功推出了四种不同规模的开源大语言模型，分别为1.8B、7B、14B和72B。此外，阿里云PAI灵骏智算服务也应运而生，成为一款专为大规模深度学习场景设计的智能计算产品，该服务能够提供一站式解决方案，包括异构算力底座和AI工程平台。本文将详细介绍如何借助阿里云PAI灵骏智算服务，在通义千问开源模型的基础上，实现高效的分布式预训练、指令微调、模型离线推理验证，以及在線服务部署。
这篇文章将以Qwen-7B作为案例，详细阐述运用Megatron-LM进行训练的过程。在确保模型性能与Hugging Face保持一致的同时，通过实现数据并行、算子拆分、流水并行、序列并行、选择性激活重算、Zero显存优化、BF16混合精度、梯度检查点、Flashattention等技术的应用，我们可以大幅度提升大模型的分布式训练效能。此外，这一训练流程同样适用于Qwen-14B和Qwen-72B这两款模型。
资源开通和运行环境配置
阿里云PAI灵骏智算服务资源开通和管理请参考官网文档
在阿里云智能计算引擎中创建和管理智能计算资源的指南阿里云智能计算引擎提供了强大的计算能力，可以帮助用户高效地完成各种复杂任务。为了让用户更好地利用这些资源，我们为您提供了以下关于如何创建和管理智能计算资源的指南。一、创建智能计算资源1. 登录阿里云控制台，进入智能计算服务页面。2. 在页面顶部导航栏中选择“资源组”选项，然后点击“新建资源组”。3. 根据您的需求选择合适的资源组名称和描述，然后点击“创建”。二、管理智能计算资源1. 在智能计算服务页面中，找到您所创建的资源组，点击“资源组详情”。2. 在资源组的“配置”选项卡中，您可以设置计算资源的参数，如计算时长、内存等。3. 若要启动或停止智能计算资源，请在资源组的“运行状态”选项卡中进行操作。三、查看智能计算资源日志1. 在智能计算服务页面中，找到您所创建的资源组，点击“资源组详情”。2. 在资源组的“运行记录”选项卡中，您可以查看资源的使用情况以及详细的日志信息。四、其他注意事项1. 为确保资源的安全性，请确保您的智能计算资源密码复杂且不易被猜到。2. 如果您未在指定时间内结束智能计算资源的使用，资源将自动续费并继续运行。3. 建议您根据实际需求合理分配计算资源，避免资源浪费。通过以上指南，您可以轻松地创建和管理智能计算资源，充分利用阿里云智能计算引擎的力量，助力您的业务发展。
资源和配置推荐
LLM统一镜像
请在用户自定义镜像栏填写统一镜像地址：
在阿里云的注册表中，有一个名为“pai-image-manage-registry”的仓库，其中包含了PyTorch训练的相关依赖。具体而言，这个仓库中有一个名为“pytorch-training”的分支，其版本为1.12-ubuntu20.04-py3.10-cuda11.3-megatron-patch-llm。这个版本的PyTorch训练框架支持在Ubuntu 20.04上运行，并使用了CUDA 11.3进行加速，同时还包含了一些特定的补丁和LLM（ large model）优化。
PAI-DSW单机交互式多人协同开发
DSW单机环境是一个强大的工具，能够处理数据并测试单机多卡分布式程序。DSW是由灵骏科技自主研发的一种交互式代码开发环境，它集成了包括Jupyter、WebIDE、Terminal在内的众多开发工具，功能强大且易于使用。在LLM的训练过程中，DSW常常被用于处理训练数据，而实际的大模型训练（如预训练、微调等）将在下一部分详细介绍。要开始使用DSW，只需点击“交互式建模（DSW）”按钮，即可进入DSW概览页面。接下来，点击“创建实例”，输入自定义的DSW实例名称，并选择相应的资源组。然后，选择统一镜像URL的实例类型，并填写相关信息。最后，需注意的几点细节已在下图中有详细的展示。在创建DSW实例后，您可以进入DSW环境，并在terminal中处理所需的数据集。同时，您还可以将训练代码存储在/mnt/workspace/目录下。此外，为了更好地使用DSW，建议您下载Pai-Megatron-Patch代码。这是基于NVIDIA原生Megatron-LM框架开发的开源大模型实现示例库，提供了主流开源大模型的Megatron-LM实现和训练/推理/评估脚本。具体的下载方式请参见本文末尾的相关资料部分。
内存至少需要1024GB
CPU核数最大可用是96
共享内存需与内存保持一致
GPU卡数至少为8
创建好DSW实例后，点击进入DSW工作空间准备开发
PAI-DLC运行分布式任务配置
DLC环境是一个理想的解决方案，用于运行多机多卡分布式程序。在LLM的训练过程中，DLC经常被用于大型模型的训练。要进入DLC概览页面，您需要点击“容器训练”，接着创建自定义的DLC实例。在创建的过程中，您需要指定任务名称、选择资源组，并输入统一镜像URL的实例。具体操作流程可参考下图所示：
执行命令里填写运行分布式任务所需的信息（具体命令可见下文），如下图所示：
配置任务资源，然后提交job，注意CPU核数不能大于96。
同时，共享内存应与内存保持一致。
模型准备
为了帮助大家更便捷地获取和使用Qwen-7B模型，我们将从ModelScope社区、huggingface社区以及OSS对象存储这三个渠道提供下载指南。
从ModelScope社区下载模型
进入DSW工作空间，安装ModelScope：
# pip设置全局镜像与相关modelscope包安装
# pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
pip install modelscope
Qwen系列模型可以通过ModelScope社区进行获取，具体的下载地址为https://modelscope.cn/organization/qwen。
在Python环境中，我们需要依据提供的模型名称和版本信息，运用以下代码实现模型的下载，同时完成模型的加载和分词器的设置。
以下给出了7B模型的下载代码，14B和72B请参考上述表格中网页上的代码
# ### Loading Model and Tokenizer
from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download(qwen/Qwen-7B, v1.1.4)
# model_dir = snapshot_download(qwen/Qwen-14B, v1.0.4)
# model_dir = snapshot_download(qwen/Qwen-72B)
# 获取下载路径
print(model_dir)
# /root/.cache/modelscope/hub/qwen/Qwen-7B
退出python环境，将下载的ckpt移动到对应文件夹
mkdir -p /mnt/workspace/qwen-ckpts/${后缀为hf的ckpt文件夹}
# mkdir -p /mnt/workspace/qwen-ckpts/qwen-7b-hf
cp -r ${在此处填写获取的模型路径}/* /mnt/workspace/qwen-ckpts/${后缀为hf的ckpt文件夹}
# cp -r /root/.cache/modelscope/hub/qwen/Qwen-7B/* /mnt/workspace/qwen-ckpts/qwen-7b-hf
2.用户还可以通过Huggingface来下载Qwen的模型（需要VPN），命令如下所示：
mkdir /mnt/workspace/qwen-ckpts
cd /mnt/workspace/qwen-ckpts
git clone https://huggingface.co/Qwen/Qwen-7B
git clone https://huggingface.co/Qwen/Qwen-7B-Chat
git clone https://huggingface.co/Qwen/Qwen-14B
git clone https://huggingface.co/Qwen/Qwen-14B-Chat
git clone https://huggingface.co/Qwen/Qwen-72B
git clone https://huggingface.co/Qwen/Qwen-72B-Chat
3.用户还可以通过wget方式直接下载我们预先放置在oss对象存储系统上的qwen的模型，命令如下所示：
mkdir /mnt/workspace/qwen-ckpts
cd /mnt/workspace/qwen-ckpts
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-ckpts/qwen-7b-hf-to-mg-tp1-pp1.tgz
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-ckpts/qwen-7b-hf.tgz
数据准备
建议在PAI灵骏智算服务中的DSW实例中准备预训练数据，以下以中文wudao2.0数据集的准备流程为例，给出数据预处理指引：
下载WuDaoCorpora2.0开源数据集到/mnt/workspace/qwen-datasets工作目录下，我们提供了部分样例数据作为示例，用户可通过以下命令下载和解压：
wget https://atp-modelzoo.oss-cn-hangzhou.aliyuncs.com/release/datasets/WuDaoCorpus2.0_base_sample.tgz
tar zxvf WuDaoCorpus2.0_base_sample.tgz
假设解压后的文件夹命名为wudao_200g，该文件夹中的原始wudao数据集的格式和大小如下截图所示：
我们为Megatron-LM训练准备了数据预处理流程，您可以根据自己的需要选择不同的处理方式。
Megatron-LM训练数据准备
mmap数据是一种预先执行tokenize处理的数据格式，可以极大减少训练微调过程中等待数据读入的时间，当数据量极大时，优势显著。
1.对Wudao数据执行数据集清洗并进行文件格式转换，具体流程可参考如下的bash脚本，最终生成汇总的merged_wudao_cleaned.json。
#! /bin/bash
set -ex
# 请在此处设置原始数据所在路径
data_dir=/mnt/workspace/qwen-datasets/wudao_200g
#开始数据清洗流程
dataset_dir=$(dirname $data_dir)
mkdir -p ${dataset_dir}/cleaned_wudao_dataset
cd ${dataset_dir}/cleaned_wudao_dataset
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama2-codes/preprocess_wudao2.py
# 此处与上一节不同，增加了key参数设为text
python preprocess_wudao2.py -i ${data_dir} -o ${dataset_dir}/cleaned_wudao_dataset -k text -p 32
# 合并清洗后的数据
mkdir ${dataset_dir}/wudao
cd ${dataset_dir}/wudao
find ${dataset_dir}/cleaned_wudao_dataset -name “*.json” -exec cat {} + > ${dataset_dir}/wudao/merged_wudao_cleaned.json
rm -rf ${dataset_dir}/cleaned_wudao_dataset
脚本执行完成后，qwen-datasets内部文件结构如下，新增一个wudao文件夹：
qwen-datasets
├── wudao_200g
└── wudao
└── merged_wudao_cleaned.json
2.利用第一节生成的merged_wudao_cleaned.json文件，将数据拆分成若干组并压缩，便于后续实现多线程处理：
apt-get update
apt-get install zstd
# 此处设置分块数为10，如数据处理慢可设置稍大
NUM_PIECE=10
# 对merged_wudao_cleaned.json文件进行处理
mkdir -p ${dataset_dir}/cleaned_zst/
# 查询数据总长度，对数据进行拆分
NUM=$(sed -n $= ${dataset_dir}/wudao/merged_wudao_cleaned.json)
echo “total line of dataset is $NUM, data will be split into $NUM_PIECE pieces for processing”
NUM=`expr $NUM / $NUM_PIECE`
echo “each group is processing $NUM sample”
split_dir=${dataset_dir}/split
mkdir $split_dir
split -l $NUM –numeric-suffixes –additional-suffix=.jsonl ${dataset_dir}/wudao/merged_wudao_cleaned.json $split_dir/
# 数据压缩
o_path=${dataset_dir}/cleaned_zst/
mkdir -p $o_path
files=$(ls $split_dir/*.jsonl)
for filename in $files
do
f=$(basename $filename)
zstd -z $filename -o $o_path/$f.zst &
done
rm -rf $split_dir
rm ${dataset_dir}/wudao/merged_wudao_cleaned.json
脚本执行完成后，qwen-datasets内部文件结构如下，新增一个cleaned_zst文件夹，每个子文件夹里有10个压缩文件：
qwen-datasets
├── wudao_200g
├── wudao
└── cleaned_zst
├── 00.jsonl.zst
│ …
└── 09.jsonl.zst
3.制作MMAP格式预训练数据集。
前往Pai-Megatron-Patch开源网站获取Megatron模型训练工具Pai-Megatron-Patch源代码并拷贝到工作目录/mnt/workspace/下。
# 开源网站获取训练代码
git clone –recurse-submodules https://github.com/alibaba/Pai-Megatron-Patch.git
# wget获取训练代码
https://atp-modelzoo.oss-cn-hangzhou.aliyuncs.com/release/models/Pai-Megatron-Patch.tgz
在DSW的Terminal中进入代码目录：/mnt/workspace/Pai-Megatron-Patch/toolkits/pretrain_data_preprocessing。查看run_make_pretraining_dataset.sh脚本内容。里面有6个启动参数需要在运行时输入，具体参数列表如下：
MEGATRON_PATH=$1 # 设置开源Megatron的代码路径
MEGATRON_PATCH_PATH=$2 # 设置Megatron Patch的代码路径
input_data_dir=$3 # 打包后的wudao数据集的文件夹路径
tokenizer=$4 # qwenbpe
output_data_dir=$5 # 输出到bin和idx文件目录
load_dir=$6 # tokenizer_config.json文件路径
运行示例如下所示：
# 安装qwen依赖的tokenizer库包
pip install tiktoken
# 请在此处设置数据集路径和工作路径
export dataset_dir=/mnt/workspace/qwen-datasets
export WORK_DIR=/mnt/workspace
# 分别为训练集、验证集生成mmap格式预训练数据集
cd ${WORK_DIR}/Pai-Megatron-Patch/toolkits/pretrain_data_preprocessing
bash run_make_pretraining_dataset.sh \
../../Megatron-LM-23.04 \
${WORK_DIR}/Pai-Megatron-Patch/ \
${dataset_dir}/cleaned_zst/ \
qwenbpe \
${dataset_dir}/wudao/ \
${WORK_DIR}/qwen-ckpts/qwen-7b-hf
rm -rf ${dataset_dir}/cleaned_zst
脚本执行完成后，qwen-datasets内部文件结构如下，wudao文件夹里有2个名字相同后缀不同的mmap文件：
qwen-datasets
├── wudao_200g
└── wudao
├── wudao_qwenbpe_content_document.bin
└── wudao_qwenbpe_content_document.idx
小规模预处理数据下载试用
为方便用户试用，我们也提供了已经处理好的小规模数据，可直接下载使用
cd /mnt/workspace/qwen-datasets
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-datasets/alpaca_zh-qwen-train.json
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-datasets/alpaca_zh-qwen-valid.json
mkdir -p /mnt/workspace/qwen-datasets/wudao
cd /mnt/workspace/qwen-datasets/wudao
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-datasets/wudao_qwenbpe_text_document.bin
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-datasets/wudao_qwenbpe_text_document.idx
Megatron训练流程
前往Pai-Megatron-Patch开源网站获取Megatron模型训练工具Pai-Megatron-Patch源代码并拷贝到工作目录/mnt/workspace/下。
# 开源网站获取训练代码
git clone –recurse-submodules https://github.com/alibaba/Pai-Megatron-Patch.git
# wget获取训练代码
https://atp-modelzoo.oss-cn-hangzhou.aliyuncs.com/release/models/Pai-Megatron-Patch.tgz
模型格式转换
使用我们提供的模型转换脚本，将huggingface格式的模型文件转换为megatron格式：
MEGATRON_PATH=$1 # Megatron路径
SOURCE_CKPT_PATH=$2 # Megatron格式模型路径，具体到iter_*
TARGET_CKPT_PATH=$3 # 转换为Huggingface格式模型后保存的路径
TP=$4 # 张量切片数量，与训练保持一致
PP=$5 # 流水切片数量，与训练保持一致
MN=$6 # 模型名称：qwen-7b,qwen-14b,qwen-72b
EXTRA_VOCAB_SIZE=$7 # 额外词表大小
mg2hf=$8 # 是否为Megatron转Huggingface
以下是不同参数量下模型切片的推荐使用组合，在转换模型时需进行针对性修改：
cd /mnt/workspace/qwen-ckpts
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-ckpts/qwen-7b-hf.tgz
tar -zxf qwen-7b-hf.tgz
# 转换模型
cd /mnt/workspace/Pai-Megatron-Patch/toolkits/model_checkpoints_convertor/qwen
sh model_convertor.sh \
../../../Megatron-LM-main \
/mnt/workspace/qwen-ckpts/qwen-7b-hf \
/mnt/workspace/qwen-ckpts/qwen-7b-hf-to-megatron-tp1-pp1 \
1 \
1 \
qwen-7b \
0 \
false
为方便用户试用，我们也提供了转好格式的模型，可直接下载使用：
cd /mnt/workspace/
mkdir qwen-ckpts
cd qwen-ckpts
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/qwen-ckpts/qwen-7b-hf-to-mg-tp1-pp1.tgz
tar -zxf qwen-7b-hf-to-mg-tp1-pp1.tgz
继续预训练
DSW调试继续预训练脚本
DSW的Terminal中运行run_pretrain_megatron_qwen.sh脚本，需要传入的参数列表如下：
ENV=$1 # 运行环境: dlc, dsw
MEGATRON_PATCH_PATH=$2 # 设置Megatron Patch的代码路径
MODEL_SIZE=$3 # 模型结构参数量级：7B, 14B, 72B
BATCH_SIZE=$4 # 每卡训练一次迭代样本数: 4, 8
GLOBAL_BATCH_SIZE=$5 # 全局batch size
LR=$6 # 学习率: 1e-5, 5e-5
MIN_LR=$7 # 最小学习率: 1e-6, 5e-6
SEQ_LEN=$8 # 序列长度
PAD_LEN=${9} # Padding长度：100
EXTRA_VOCAB_SIZE=${10} # 词表扩充大小：7B使用85，14B和72B模型填213
PR=${11} # 训练精度: fp16, bf16
TP=${12} # 模型并行度
PP=${13} # 流水并行度
AC=${14} # 激活检查点模式: sel, full
DO=${15} # 是否使用Megatron版Zero-1降显存优化器: true, false
FL=${16} # 是否使用Flash Attention: true, false
SP=${17} # 是否使用序列并行: true, false
TE=${18} # 是否开启Transformer-engine加速技术，需H800显卡
SAVE_INTERVAL=${19} # 保存ckpt的间隔
DATASET_PATH=${20} # 训练数据集路径
PRETRAIN_CHECKPOINT_PATH=${21} # 预训练模型路径
TRAIN_TOKENS=${22} # 训练token数
WARMUP_TOKENS=${23} # 预热token数
OUTPUT_BASEPATH=${24} # 训练输出文件路径
DSW单机运行示例如下：
注意：EXTRA_VOCAB_SIZE，7B使用85，14B和72B模型使用213
export WORK_DIR=/mnt/workspace
cd ${WORK_DIR}/Pai-Megatron-Patch/examples/qwen
sh run_pretrain_megatron_qwen.sh \
dsw \
${WORK_DIR}/Pai-Megatron-Patch \
7B \
1 \
8 \
1e-5 \
1e-6 \
2048 \
2048 \
85 \
fp16 \
1 \
1 \
sel \
true \
false \
false \
false \
100000 \
${WORK_DIR}/qwen-datasets/wudao/wudao_qwenbpe_content_document \
${WORK_DIR}/qwen-ckpts/qwen-7b-hf-to-megatron-tp1-pp1 \
100000000 \
10000 \
${WORK_DIR}/output_megatron_qwen/
PAI-DLC启动分布式继续预训练任务
单机开发调试完成后，就可以在DLC环境中配置多机多卡分布式任务。注意设置正确的数据集挂载路径WORK_DIR以及运行环境ENV，使用和DSW相同的训练脚本run_pretrain_megatron_qwen.sh来运行
export WORK_DIR=/mnt/workspace
cd ${WORK_DIR}/Pai-Megatron-Patch/examples/qwen
sh run_pretrain_megatron_qwen.sh \
dlc \
${WORK_DIR}/PAI-Megatron-Patch \
7B \
1 \
8 \
1e-5 \
1e-6 \
2048 \
2048 \
85 \
fp16 \
1 \
1 \
sel \
true \
false \
false \
false \
100000 \
${WORK_DIR}/qwen-datasets/wudao/wudao_qwenbpe_content_document \
${WORK_DIR}/qwen-ckpts/qwen-7b-hf-to-megatron-tp1-pp1 \
100000000 \
10000 \
${WORK_DIR}/output_megatron_qwen/
有监督微调
在微调开始之前，请跳转到“小规模预处理数据下载试用”章节获取json文件。
DSW调试微调脚本
DSW的Terminal中运行run_finetune_megatron_qwen_withGA.sh脚本，需要传入的参数列表如下：
ENV=$1 # 运行环境: dlc, dsw
MEGATRON_PATCH_PATH=$2 # 设置Megatron Patch的代码路径
MODEL_SIZE=$3 # 模型结构参数量级: 7B, 14B, 72B
BATCH_SIZE=$4 # 每卡训练一次迭代样本数: 1, 2, 4, 8
GLOBAL_BATCH_SIZE=$5 # 微调总迭代样本：64, 96, 128
LR=$6 # 学习率: 1e-5, 5e-5
MIN_LR=$7 # 最小学习率: 1e-6, 5e-6
SEQ_LEN=$8 # 序列长度
PAD_LEN=$9 # Padding长度：100
EXTRA_VOCAB_SIZE=${10} # 词表扩充大小：7B使用85，14B和72B模型填213
PR=${11} # 训练精度: fp16, bf16
TP=${12} # 模型并行度
PP=${13} # 流水并行度
AC=${14} # 激活检查点模式: sel, full
DO=${15} # 是否使用Megatron版Zero-1降显存优化器: true, false
FL=${16} # 是否使用Flash Attention: true, false
SP=${17} # 是否使用序列并行: true, false
TE=${18} # 是否开启Transformer-engine加速技术，需H800显卡
SAVE_INTERVAL=${19} # 保存模型的步数
DATASET_PATH=${20} # 训练数据集路径
VALID_DATASET_PATH=${21} # 验证数据集路径
PRETRAIN_CHECKPOINT_PATH=${22} # 预训练模型路径
TRAIN_ITERS=${23} # 训练迭代轮次
LR_WARMUP_ITERS=${24} # 学习率增加值最大的步数
OUTPUT_BASEPATH=${25} # 训练输出文件路径
DSW单机运行示例如下：
注意：EXTRA_VOCAB_SIZE，7B使用85，14B和72B模型使用213
export WORK_DIR=/mnt/workspace
cd ${WORK_DIR}/Pai-Megatron-Patch/examples/qwen
sh run_finetune_megatron_qwen_withGA.sh \
dsw \
${WORK_DIR}/Pai-Megatron-Patch \
7B \
1 \
96 \
1e-5 \
1e-6 \
2048 \
2048 \
85 \
bf16 \
1 \
1 \
sel \
true \
false \
false \
false \
1000 \
${WORK_DIR}/qwen-datasets/wudao_train.json \
${WORK_DIR}/qwen-datasets/wudao_valid.json \
${WORK_DIR}/qwen-ckpts/qwen-7b-hf-to-megatron-tp1-pp1 \
2000 \
10 \
${WORK_DIR}/output_megatron_qwen/
PAI-DLC启动分布式微调任务
单机开发调试完成后，就可以在DLC环境中配置多机多卡分布式任务。注意设置正确的数据集挂载路径WORK_DIR以及运行环境ENV，使用和DSW相同的训练脚本run_finetune_megatron_qwen.sh来运行
export WORK_DIR=/mnt/workspace
cd ${WORK_DIR}/Pai-Megatron-Patch/examples/qwen
sh run_finetune_megatron_qwen_withGA.sh \
dlc \
${WORK_DIR}/Pai-Megatron-Patch \
7B \
1 \
96 \
1e-5 \
1e-6 \
2048 \
2048 \
85 \
bf16 \
1 \
1 \
sel \
true \
false \
false \
false \
1000 \
${WORK_DIR}/qwen-datasets/wudao_train.json \
${WORK_DIR}/qwen-datasets/wudao_valid.json \
${WORK_DIR}/qwen-ckpts/qwen-7b-hf-to-megatron-tp1-pp1 \
2000 \
10 \
${WORK_DIR}/output_megatron_qwen/
模型格式转换
训练完成的Megatron格式模型可以通过一下脚本转换为huggingface格式模型，方便使用huggingface和VLLM分别进行离线和在线推理。
注意：
“路径”为”路径”为“{路径}”为“{WORK_DIR}/output_megatron_qwen/checkpoint/”目录下文件夹名称(训练时自动创建)，如“dlc-pretrain-megatron-gpt3-34B-lr-1e-6-bs-1-seqlen-2048-pr-bf16-tp-8-pp-1-ac-sel-do-true-sp-true-tt–wt-/”
如果使用预训练模型进行转换，需要删除模型路径下所有distrib_optim.pt文件
参数介绍
MEGATRON_PATH=$1 # Megatron路径
SOURCE_CKPT_PATH=$2 # Megatron格式模型路径，具体到iter_*
TARGET_CKPT_PATH=$3 # 转换为Huggingface格式模型后保存的路径
TP=$4 # 张量切片数量，与训练保持一致
PP=$5 # 流水切片数量，与训练保持一致
MN=$6 # 模型名称：qwen-7b, qwen-14b, qwen-72b
EXTRA_VOCAB_SIZE=$7 # 额外词表大小
mg2hf=$8 # 是否为Megatron转Huggingface
运行命令
export WORK_DIR=/mnt/workspace
cd /mnt/workspace/Pai-Megatron-Patch/toolkits/model_checkpoints_convertor/qwen
sh model_convertor.sh \
../../../Megatron-LM-main \
${WORK_DIR}/output_megatron_qwen/checkpoint/${路径}/iter_0001000 \
/mnt/workspace/qwen-ckpts/qwen-7b-mg-to-hf-tp1-pp1/ \
1 \
1 \
qwen-7b \
0 \
true
模型和tokenizer文件
将开源Huggingface模型文件夹路径下的.json (pytorch_model.bin.index.json除外)、.py和.tiktoken文件拷贝至“/mnt/workspace/qwen-ckpts/qwen-7b-mg-to-hf-tp1-pp1”目录下，以保证模型可以正常使用。
模型离线推理
模型训练完成后，可以进行离线推理，评估模型效果。不同参数格式的模型可以使用HuggingFace和Megatron-LM两种格式的推理链路。
HuggingFace推理
huggingface离线推理，可以参考如下一些链接：
Huggingface通用文本生成教学：https://huggingface.co/blog/how-to-generate
Belle文本生成示例：https://huggingface.co/BelleGroup/BELLE-7B-2M
Qwen文本生成示例：https://huggingface.co/Qwen/Qwen-14B-Chat
以下给出推理参考代码（代码来自Qwen）：https://huggingface.co/Qwen/Qwen-14B-Chat
#!/usr/bin/env python
#encoding=utf-8
from transformers import AutoTokenizer, LlamaTokenizer
from transformers import LlamaForCausalLM
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = /mnt/workspace/latest/qianwen/qwen-7b-hf
print(checkpoint)
device = “cuda”
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(checkpoint,device_map=”auto”, trust_remote_code=True)
prompt = f”Human:写一个快速排序算法”
print(prompt)
inputs = tokenizer.encode(p, return_tensors=”pt”).to(model.device)
outputs = model.generate(inputs,max_new_tokens=512)
print(tokenizer.decode(outputs[0]))
Megatron-LM离线推理
对于Megatron-LM训练的模型，可以直接用Megatron-LM框架进行推理。
调试推理脚本
ENV=$1 # 运行环境: dlc, dsw
MEGATRON_PATCH_PATH=$2 # 设置Megatron Patch的代码路径
CHECKPOINT_PATH=$3 # 模型微调阶段的模型保存路径
MODEL_SIZE=$4 # 模型结构参数量级: 7B, 14B, 72B
TP=$5 # 模型并行度
BS=$6 # 每卡推理一次迭代样本数: 1, 4, 8
SEQ_LEN=$7 # 序列长度: 256, 512, 1024
PAD_LEN=$8 # PAD长度：需要将文本拼接到的长度
EXTRA_VOCAB_SIZE=${9} # 词表扩充大小：7B使用85，14B和72B模型填213
PR=${10} # 推理采用的精度: fp16, bf16
TOP_K=${11} # 采样策略中选择排在前面的候选词数量(0-n): 0, 5, 10, 20
INPUT_SEQ_LEN=${12} # 输入序列长度: 512
OUTPUT_SEQ_LEN=${13} # 输出序列长度: 256
INPUT_FILE=${14} # 需要推理的文本文件: input.txt, 每行为一个样本
OUTPUT_FILE=${15} # 推理输出的文件: output.txt
# TOP_K和TOP_P必须有一个为0
TOP_P=${16} # 采样策略中选择排在前面的候选词百分比(0-1): 0, 0.85, 0.95
TEMPERATURE=${17} # 采样策略中温度惩罚: 1-n
REPETITION_PENALTY=${18} # 避免生成是产生大量重复，可以设置为(1-2)默认为1.2
此处提供一个离线推理输出的文件，推理的数据组织形式需要与微调时的保持一致。
测试样本：
https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama2-datasets/pred_input.jsonl
注意：
模型保存的路径下缺少tokenizer依赖的文件，需要将微调前模型路径下所有json和tiktoken文件拷贝至保存模型的路径下（位于{OUTPUT_BASEPATH }/checkpoint），与latest_checkpointed_iteration.txt同级。
以下有监督微调过程保存模型的推理代码，需要将run_text_generation_megatron_qwen.sh脚本中CUDA_VISIBLE_DEVICES参数设置为0；GPUS_PER_NODE参数设置为1；同时使用下列代码进行推理。此时使用单卡进行推理。注意：此处模型tp为1，可使用单卡推理；如果tp>1，则需使用相应卡数进行推理。
export WORK_DIR=/mnt/workspace
cd ${WORK_DIR}/Pai-Megatron-Patch/examples/qwen
bash run_text_generation_megatron_qwen.sh \
dsw \
${WORK_DIR}/Pai-Megatron-Patch \
../../../llama2-train \
7B \
1 \
1 \
1024 \
1024 \
85 \
fp16 \
10 \
512 \
512 \
${WORK_DIR}/pred_input.jsonl \
${WORK_DIR}/qwen_pred.txt \
0 \
1.0 \
1.2
在线服务部署
完成离线推理并评估完模型效果以后，可以用PAI-EAS产品将模拟部署成在线服务。
准备工作
开通阿里云PAI服务，了解PAI-EAS基本概念；
相同region开通阿里云OSS服务，并创建用于存储模型文件的OSS bucket，将模型文件上传到相应目录；
部署步骤
准备PAI-EAS资源组
在PAI控制台->模型在线服务（EAS）->资源组，新建资源组，并购买合适规格的实例。以7B参数规模的模型为例，使用fp16数值精度推理情况下，可以使用A10(24GB显存)或者V100(32GB显存)规格的单卡GPU实例进行部署。
部署方式一：使用PAI控制台页面
在PAI控制台->模型在线服务（EAS）->推理服务，选择“部署服务”，在新建服务界面配置如下信息：
服务名称：根据实际需求填写
部署方式：镜像部署服务
镜像选择：镜像地址，例如：
pai-image-manage-registry.cn-wulanchabu.cr.aliyuncs.com/pai/llm-inference:vllm-0.2.1-v4
注：目前镜像只支持乌兰察布
模型配置：选择保持模型文件的OSS路径(例如oss://my_bucket/qwen-7b)，并指定挂载后的路径(例如/qwen-7b)
运行命令：
nohup python -m fastchat.serve.controller > tmp1.log 2>&1 & python -m fastchat.serve.gradio_web_server_pai –model-list-mode reload > tmp2.log 2>&1 & python -m fastchat.serve.vllm_worker –model-path /mnt/model/qwen_7b –tensor-parallel-size 1 –trust-remote-code
注1: –tensor-parallel-size指的是模型张量切分的数量，需要根据GPU的卡数调整，7b模型在单卡就可以放下设置1，如72b模型需要4卡A800才可运行需要设置4
注2：运行命令的端口号应与服务配置的端口号一致
资源组种类：选择之前准备的资源组
实例数：根据模型和资源组情况填写(以7b模型为例，可以使用CPU：16，内存：64000MB，GPU：1)
确认信息正确后，点击“部署”。
参考 eascmd使用说明 ，安装并配置后，使用类似如下命令创建服务：
eascmd64 create ./service.json
配置文件service.json示例：
{
“name”: “qwen_server”, // 服务名称
“containers”: [
{
// 镜像和命令
“image”: “pai-image-manage-registry.cn-wulanchabu.cr.aliyuncs.com/pai/llm-inference:vllm-0.2.1-v4”,
“command”: “nohup python -m fastchat.serve.controller > tmp1.log 2>&1 & python -m fastchat.serve.gradio_web_server_pai –model-list-mode reload > tmp2.log 2>&1 & python -m fastchat.serve.vllm_worker –model-path /qwen-14b-chat –tensor-parallel-size 1 –trust-remote-code”,
“port”: 7860
}
],
“storage”: [
{
// 模型地址
“mount_path”: “/qwen-7b”,
“oss”: {
“path”: “oss://my-bucket/qwen-7b”
}
}
],
“metadata”: {
“instance”: 1,
“memory”: 64000, // 内存，单位是 MiB
“cpu”: 16,
“gpu”: 1,
“enable_webservice”: true,
“resource”: “eas-r-xxxxxx” // 资源组ID
}
}
管理服务
创建服务后，可以通过PAI控制台页面、或者eascmd命令行工具，查看服务状态。注意：服务启动过程会进行下载镜像、加载模型等操作，需要等待一段时间。在服务日志中可以看到详细的启动过程记录。
调用服务
点击查看webui应用，即可使用模型服务
相关资料
通义千问系列模型：https://modelscope.cn/organization/qwen
阿里云PAI灵骏智算服务：https://www.aliyun.com/product/bigdata/learn/pailingjun
阿里云PAI灵骏智算服务资源开通和管理文档：https://help.aliyun.com/zh/pai/user-guide/create-and-manage-intelligent-computing-lingjun-resources
PAI-Megatron-Patch 项目开源地址：https://github.com/alibaba/Pai-Megatron-Patch
阿里云PAI-EAS模型在线服务：https://www.aliyun.com/product/bigdata/learn/eas
eascmd使用文档：https://help.aliyun.com/zh/pai/user-guide/eascmd-client/
原文链接：https://developer.aliyun.com/article/1390677?utm_content=g_1000385835
本文为阿里云原创内容，未经允许不得转载。返回搜狐，查看更多
责任编辑：
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
Related posts
