前提条件

使用前请先了解MindIO ACP特性的约束限制。
MindSpeed-LLM框架准备请参见MindSpeed-LLM，匹配的Megatron-LM的版本为core_r0.6.0。

本次发布包配套MindSpeed-LLM的1.0.0分支，环境、代码、数据集准备请用户参考MindSpeed-LLM仓库的相关指导说明，并确保其安全性。

操作步骤

使用业务用户登录到计算节点。

业务用户非{MindIO-install-user}、HwHiAiUser、hwMindX用户，由用户根据实际情况决定。
进入MindSpeed-LLM安装目录。
```
cd MindSpeed-LLM/
```
修改pretrain_gpt.py文件。
1. 打开pretrain_gpt.py文件。
```
vim pretrain_gpt.py
```
2. 按“i”进入编辑模式，在文件头部找到from mindspeed_llm import megatron_adaptor，另起一行加入加粗内容。
```
from mindspeed_llm import megatron_adaptor
import torch_mindio
```
3. 按“Esc”键，输入:wq!，按“Enter”保存并退出编辑。

编辑预训练脚本（仅供参考）。

此处以编辑“examples/legacy/llama2/pretrain_llama2_7b_ptd.sh”脚本为例。

打开“examples/legacy/llama2/pretrain_llama2_7b_ptd.sh”脚本。
```
vim examples/legacy/llama2/pretrain_llama2_7b_ptd.sh
```

按“i”进入编辑模式，开启周期性CheckPoint加速功能需要增加脚本中加粗部分。

#!/bin/bash

export CUDA_DEVICE_MAX_CONNECTIONS=1
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True

export MINDIO_AUTO_PATCH_MEGATRON=true
export GLOO_SOCKET_IFNAME=enp189s0f0
export LD_LIBRARY_PATH=/usr/local/Ascend/driver/lib64/driver:$LD_LIBRARY_PATH
source /usr/local/Ascend/ascend-toolkit/set_env.sh

GPUS_PER_NODE=8
MASTER_ADDR=localhost
MASTER_PORT=6000
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($GPUS_PER_NODE*$NNODES))

CKPT_SAVE_DIR="your model save ckpt path"
DATA_PATH="your data path"
TOKENIZER_MODEL="your tokenizer path"
CKPT_LOAD_DIR="your model ckpt path"
TP=1
PP=2

DISTRIBUTED_ARGS="
    --nproc_per_node $GPUS_PER_NODE \
    --nnodes $NNODES \
    --node_rank $NODE_RANK \
    --master_addr $MASTER_ADDR \
    --master_port $MASTER_PORT
"

GPT_ARGS="
    --tensor-model-parallel-size ${TP} \
    --pipeline-model-parallel-size ${PP} \
    --sequence-parallel \
    --num-layers 32 \
    --hidden-size 4096 \
    --ffn-hidden-size 11008 \
    --num-attention-heads 32 \
    --tokenizer-type Llama2Tokenizer \
    --tokenizer-model ${TOKENIZER_MODEL} \
    --seq-length 4096 \
    --max-position-embeddings 4096 \
    --micro-batch-size 1 \
    --global-batch-size 256 \
    --make-vocab-size-divisible-by 1 \
    --lr 1.25e-6 \
    --train-iters 5000 \
    --lr-decay-style cosine \
    --untie-embeddings-and-output-weights \
    --disable-bias-linear \
    --attention-dropout 0.0 \
    --init-method-std 0.01 \
    --hidden-dropout 0.0 \
    --position-embedding-type rope \
    --normalization RMSNorm \
    --use-fused-rmsnorm \
    --swiglu \
    --use-flash-attn \
    --no-masked-softmax-fusion \
    --attention-softmax-in-fp32 \
    --min-lr 1.25e-7 \
    --weight-decay 1e-1 \
    --lr-warmup-fraction 0.01 \
    --clip-grad 1.0 \
    --adam-beta1 0.9 \
    --initial-loss-scale 65536 \
    --adam-beta2 0.95 \
    --no-gradient-accumulation-fusion \
    --no-load-optim \
    --no-load-rng \
    --use-distributed-optimizer \
    --use-fused-swiglu \
    --use-fused-rotary-pos-emb \
    --overlap-grad-reduce \
    --bf16
"

DATA_ARGS="
    --data-path $DATA_PATH \
    --split 949,50,1
"

OUTPUT_ARGS="
    --log-interval 1 \
    --save-interval 10000 \
    --eval-interval 1000 \
    --eval-iters 10 \
"

torchrun $DISTRIBUTED_ARGS pretrain_gpt.py \
    $GPT_ARGS \
    $DATA_ARGS \
    $OUTPUT_ARGS \
    --distributed-backend nccl \
    --jit-compile \
    --load $CKPT_LOAD_DIR \
    --save $CKPT_SAVE_DIR \
    | tee logs/train_llama2_7b.log

周期性CheckPoint加速功能相关参数说明如下：

MINDIO_AUTO_PATCH_MEGATRON：MindIO ACP框架自动patch Megatron的源码，用于开启加速周期性CheckPoint特性。
GLOO_SOCKET_IFNAME：根据主节点高速网卡实际情况进行配置。
LD_LIBRARY_PATH：CANN包驱动的so库地址，请根据CANN实际的安装路径进行修改。
set_env.sh文件路径：请根据CANN实际的安装路径进行修改。

按“Esc”键，输入:wq!，按“Enter”保存并退出编辑。

完成步骤步骤 3~步骤 4的.py文件修改，MindSpeed-LLM即可使用MindIO ACP加速周期性CheckPoint特性。

Torch对接MindSpeed-LLM框架

前提条件

操作步骤