215 lines
10 KiB
Python
215 lines
10 KiB
Python
import os
|
||
# 设置环境变量
|
||
os.environ["WANDB_MODE"] = "offline" # 或者使用 "dryrun"
|
||
import platform
|
||
import argparse
|
||
import time
|
||
import math
|
||
import warnings
|
||
import pandas as pd
|
||
import torch
|
||
import torch.distributed as dist
|
||
from torch import optim, nn
|
||
from torch.nn.parallel import DistributedDataParallel
|
||
from torch.optim.lr_scheduler import CosineAnnealingLR
|
||
from torch.utils.data import DataLoader, DistributedSampler
|
||
from contextlib import nullcontext
|
||
|
||
from transformers import AutoTokenizer
|
||
|
||
from model.model import MiniMindLM
|
||
from model.LMConfig import LMConfig
|
||
from model.dataset import PretrainDataset
|
||
|
||
warnings.filterwarnings('ignore')
|
||
|
||
|
||
def Logger(content):
|
||
# 如果没有使用ddp或者ddp的主设备，那么就打印
|
||
if not ddp or dist.get_rank() == 0:
|
||
print(content)
|
||
|
||
|
||
def get_lr(current_step, total_steps, lr):
|
||
# 更新学习率
|
||
# \text{get\_lr}(c, t, l) = \frac{l}{10} + 0.5 \cdot l \cdot \left(1 + \cos\left(\frac{\pi \cdot c}{t}\right)\right)
|
||
return lr / 10 + 0.5 * lr * (1 + math.cos(math.pi * current_step / total_steps))
|
||
|
||
|
||
def train_epoch(epoch, wandb):
|
||
loss_fct = nn.CrossEntropyLoss(reduction='none') #交叉熵损失（Cross-Entropy Loss）；当 reduction='none' 时，nn.CrossEntropyLoss 不会对损失进行任何汇总操作，而是返回每个样本的单独损失值。
|
||
start_time = time.time()
|
||
for step, (X, Y, loss_mask) in enumerate(train_loader):
|
||
# 将数据加载到设备上
|
||
X = X.to(args.device)
|
||
Y = Y.to(args.device)
|
||
loss_mask = loss_mask.to(args.device)
|
||
|
||
# 更新学习率
|
||
lr = get_lr(epoch * iter_per_epoch + step, args.epochs * iter_per_epoch, args.learning_rate)
|
||
for param_group in optimizer.param_groups:
|
||
param_group['lr'] = lr
|
||
|
||
with ctx:
|
||
res = model(X) #获取输出
|
||
loss = loss_fct(
|
||
res.logits.view(-1, res.logits.size(-1)),
|
||
Y.view(-1)
|
||
).view(Y.size())#计算损失
|
||
loss = (loss * loss_mask).sum() / loss_mask.sum() #计算总的loss
|
||
# 为了批次堆叠进行的处理，真正的batch size为num gpu*batch size per gpu*accumulation steps
|
||
loss += res.aux_loss
|
||
loss = loss / args.accumulation_steps
|
||
|
||
scaler.scale(loss).backward() #用于处理混合精度训练。它的作用是自动缩放损失值，以防止在使用低精度（如 FP16）计算时出现数值不稳定的问题。
|
||
|
||
# 如果达到堆叠数目就进行处理
|
||
if (step + 1) % args.accumulation_steps == 0:
|
||
scaler.unscale_(optimizer) #PyTorch 自动混合精度(AMP)训练的一部分。它"反缩放"之前为防止在混合精度训练中出现下溢而缩放的梯度。
|
||
torch.nn.utils.clip_grad_norm_(model.parameters(), args.grad_clip) #应用梯度裁剪以防止梯度爆炸。它会缩放梯度，使其范数不超过args.grad_clip。
|
||
|
||
scaler.step(optimizer) #使用优化器更新模型权重，但由缩放器控制以适应混合精度训练。
|
||
scaler.update() #根据本次迭代是否有梯度溢出来更新下一次迭代的缩放因子。
|
||
|
||
optimizer.zero_grad(set_to_none=True) #为下一次迭代清零所有梯度。set_to_none=True参数通过将梯度设置为None而不是零来提高内存效率。
|
||
|
||
# 打印日志
|
||
if step % args.log_interval == 0:
|
||
spend_time = time.time() - start_time
|
||
Logger(
|
||
'Epoch:[{}/{}]({}/{}) loss:{:.3f} lr:{:.12f} epoch_Time:{}min:'.format(
|
||
epoch + 1,
|
||
args.epochs,
|
||
step,
|
||
iter_per_epoch,
|
||
loss.item() * args.accumulation_steps,
|
||
optimizer.param_groups[-1]['lr'],
|
||
spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60))
|
||
|
||
if (wandb is not None) and (not ddp or dist.get_rank() == 0):
|
||
wandb.log({"loss": loss.item() * args.accumulation_steps,
|
||
"lr": optimizer.param_groups[-1]['lr'],
|
||
"epoch_Time": spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60})
|
||
|
||
# 保存模型
|
||
if (step + 1) % args.save_interval == 0 and (not ddp or dist.get_rank() == 0):
|
||
model.eval()
|
||
moe_path = '_moe' if lm_config.use_moe else ''
|
||
ckp = f'{args.save_dir}/pretrain_{lm_config.dim}{moe_path}.pth'
|
||
|
||
if isinstance(model, torch.nn.parallel.DistributedDataParallel):
|
||
state_dict = model.module.state_dict() #获取模型参数
|
||
else:
|
||
state_dict = model.state_dict() #获取模型参数
|
||
|
||
torch.save(state_dict, ckp) #只保存参数
|
||
model.train()
|
||
|
||
|
||
def init_model(lm_config):
|
||
# 加载tokenizer
|
||
tokenizer = AutoTokenizer.from_pretrained('./model/minimind_tokenizer')
|
||
# 加载模型
|
||
model = MiniMindLM(lm_config).to(args.device)
|
||
# 打印模型参数
|
||
Logger(f'LLM总参数量：{sum(p.numel() for p in model.parameters() if p.requires_grad) / 1e6:.3f} 百万')
|
||
return model, tokenizer
|
||
|
||
|
||
def init_distributed_mode():
|
||
if not ddp: return #如果没有启用分布式数据并行(DDP)，直接返回，不执行任何操作。
|
||
global ddp_local_rank, DEVICE #声明这两个变量为全局变量，以便在函数外部也能访问它们。
|
||
|
||
dist.init_process_group(backend="nccl") #初始化分布式进程组，使用NCCL后端（NVIDIA Collective Communications Library），这是NVIDIA GPU之间通信的优化库。
|
||
ddp_rank = int(os.environ["RANK"]) #从环境变量获取当前进程的全局编号。
|
||
ddp_local_rank = int(os.environ["LOCAL_RANK"]) #从环境变量获取当前进程的本地编号。
|
||
ddp_world_size = int(os.environ["WORLD_SIZE"]) #从环境变量获取当前进程组中的进程总数。
|
||
DEVICE = f"cuda:{ddp_local_rank}" #根据本地编号选择GPU设备。
|
||
torch.cuda.set_device(DEVICE) #设置当前进程的GPU设备。
|
||
|
||
|
||
# torchrun --nproc_per_node 2 1-pretrain.py
|
||
if __name__ == "__main__":
|
||
parser = argparse.ArgumentParser(description="MiniMind Pretraining")
|
||
parser.add_argument("--out_dir", type=str, default="out")
|
||
# 若要以最快速度实现zero则epochs设置为1轮；否则应当利用有限的数据训练2~6个epochs。
|
||
parser.add_argument("--epochs", type=int, default=3)
|
||
parser.add_argument("--batch_size", type=int, default=32)
|
||
parser.add_argument("--learning_rate", type=float, default=5e-4)
|
||
parser.add_argument("--device", type=str, default="cuda:0" if torch.cuda.is_available() else "cpu") #如果GPU可用，则使用GPU，否则使用CPU。
|
||
parser.add_argument("--dtype", type=str, default="bfloat16")
|
||
parser.add_argument("--use_wandb", default=True, action="store_true")
|
||
parser.add_argument("--wandb_project", type=str, default="MiniMind-Pretrain")
|
||
parser.add_argument("--num_workers", type=int, default=8)
|
||
parser.add_argument("--ddp", action="store_true")
|
||
parser.add_argument("--accumulation_steps", type=int, default=8) #梯度累积步数，用于控制梯度更新频率。
|
||
parser.add_argument("--grad_clip", type=float, default=1.0) #梯度裁剪阈值，用于防止梯度爆炸。
|
||
parser.add_argument("--warmup_iters", type=int, default=0) #预热迭代次数，用于控制学习率预热过程。
|
||
parser.add_argument("--log_interval", type=int, default=100) #日志打印间隔，用于控制日志打印的频率。
|
||
parser.add_argument("--save_interval", type=int, default=100) #模型保存间隔，用于控制模型保存的频率。
|
||
parser.add_argument('--local_rank', type=int, default=-1) #本地进程编号，用于分布式训练。
|
||
parser.add_argument('--dim', default=1024, type=int) #模型维度，用于控制模型的大小。
|
||
parser.add_argument('--n_layers', default=24, type=int) #层数，用于控制模型层数。
|
||
parser.add_argument('--max_seq_len', default=1024, type=int) #最大序列长度，用于控制输入序列的最大长度。
|
||
parser.add_argument('--use_moe', default=False, type=bool) #是否使用MOE，用于控制是否使用MOE。
|
||
parser.add_argument("--data_path", type=str, default="./dataset/pretrain_hq.jsonl") #数据路径，用于控制数据集的路径。
|
||
args = parser.parse_args()
|
||
|
||
lm_config = LMConfig(dim=args.dim, n_layers=args.n_layers, max_seq_len=args.max_seq_len, use_moe=args.use_moe) #创建LMConfig对象，用于控制模型配置。
|
||
args.save_dir = os.path.join(args.out_dir) #创建保存目录。
|
||
os.makedirs(args.save_dir, exist_ok=True) #创建保存目录。
|
||
os.makedirs(args.out_dir, exist_ok=True) #创建输出目录。
|
||
tokens_per_iter = args.batch_size * lm_config.max_seq_len #计算每个迭代步骤的token数量。
|
||
print(f"tokens_per_iter: {tokens_per_iter}")
|
||
device_type = "cuda" if "cuda" in args.device else "cpu" #确定设备类型。
|
||
|
||
args.wandb_run_name = f"MiniMind-Pretrain-Epoch-{args.epochs}-BatchSize-{args.batch_size}-LearningRate-{args.learning_rate}"
|
||
|
||
ctx = nullcontext() if device_type == "cpu" else torch.cuda.amp.autocast()
|
||
|
||
ddp = int(os.environ.get("RANK", -1)) != -1 # is this a ddp run?
|
||
ddp_local_rank, DEVICE = 0, "cuda:0"
|
||
|
||
base_seed = 1337
|
||
torch.manual_seed(base_seed)
|
||
torch.cuda.manual_seed(base_seed)
|
||
|
||
if ddp:
|
||
init_distributed_mode()
|
||
args.device = torch.device(DEVICE)
|
||
rank = dist.get_rank()
|
||
torch.manual_seed(base_seed + rank)
|
||
# 同时设置 CUDA 的随机种子
|
||
torch.cuda.manual_seed(base_seed + rank)
|
||
|
||
if args.use_wandb and (not ddp or ddp_local_rank == 0):
|
||
import wandb
|
||
|
||
wandb.init(project=args.wandb_project, name=args.wandb_run_name)
|
||
else:
|
||
wandb = None
|
||
|
||
model, tokenizer = init_model(lm_config)
|
||
train_ds = PretrainDataset(args.data_path, tokenizer, max_length=lm_config.max_seq_len)
|
||
train_sampler = DistributedSampler(train_ds) if ddp else None
|
||
train_loader = DataLoader(
|
||
train_ds,
|
||
batch_size=args.batch_size,
|
||
pin_memory=True,
|
||
drop_last=False,
|
||
shuffle=False,
|
||
num_workers=args.num_workers,
|
||
sampler=train_sampler
|
||
)
|
||
|
||
scaler = torch.cuda.amp.GradScaler(enabled=(args.dtype in ['float16', 'bfloat16']))
|
||
optimizer = optim.AdamW(model.parameters(), lr=args.learning_rate)
|
||
|
||
if ddp:
|
||
model._ddp_params_and_buffers_to_ignore = {"pos_cis"}
|
||
model = DistributedDataParallel(model, device_ids=[ddp_local_rank])
|
||
|
||
iter_per_epoch = len(train_loader)
|
||
for epoch in range(args.epochs):
|
||
train_epoch(epoch, wandb)
|