Torch对接MindSpeed框架

前提条件

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

本次发布包配套以上链接的MindSpeed的1.0.0_core_r0.6.0分支，环境、代码、数据集准备请用户参考MindSpeed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。
按照MindSpeed框架的指导说明准备好MindSpeed框架环境后，进入Megatron-LM安装目录。
```
cd Megatron-LM/
```
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import mindspeed.megatron_adaptor，另起一行加入加粗内容。
```
import torch
import mindspeed.megatron_adaptor
import mindio_acp
from functools import partial
```
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“tests_extend/model_tests/perf_model/llama2/pretrain_llama2_70b_4k.sh”脚本为例。

打开“tests_extend/model_tests/perf_model/llama2/pretrain_llama2_70b_4k.sh”脚本。
```
vim tests_extend/model_tests/perf_model/llama2/pretrain_llama2_70b_4k.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
source "tests_extend/system_tests/env_npu.sh"

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

# Change for multinode config
NPUS_PER_NODE=16
MASTER_ADDR=<master_ip_address>
MASTER_PORT=6000
NNODES=8
NODE_RANK=<local_rank>
WORLD_SIZE=$(($NPUS_PER_NODE*$NNODES))

CKPT_DIR=./ckpt_llama
DATA_PATH="/home/dataset/llama2/alpaca_text_document"
TOKENIZER_MODEL="/home/dataset/model/llama-2-7b-hf/tokenizer.model"

TP=8
PP=4
CP=1

DISTRIBUTED_ARGS="
    --nproc_per_node $NPUS_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} \
    --use-fused-rotary-pos-emb \
    --use-fused-swiglu \
    --use-fused-rmsnorm \
    --log-throughput \
    --overlap-grad-reduce \
    --overlap-param-gather \
    --use-ascend-mc2 \
    --num-layers-per-virtual-pipeline-stage 2 \
    --sequence-parallel \
    --use-distributed-optimizer \
    --num-layers 80 \
    --hidden-size 8192 \
    --ffn-hidden-size 28672 \
    --num-attention-heads 64 \
    --tokenizer-type Llama2Tokenizer \
    --tokenizer-model ${TOKENIZER_MODEL} \
    --seq-length 4096 \
    --max-position-embeddings 4096 \
    --micro-batch-size 1 \
    --global-batch-size 32 \
    --make-vocab-size-divisible-by 1 \
    --lr 1.0e-6 \
    --train-iters 5000 \
    --lr-decay-style cosine \
    --untie-embeddings-and-output-weights \
    --attention-dropout 0.0 \
    --init-method-std 0.01 \
    --hidden-dropout 0.0 \
    --position-embedding-type rope \
    --normalization RMSNorm \
    --swiglu \
    --use-flash-attn \
    --no-masked-softmax-fusion \
    --attention-softmax-in-fp32 \
    --min-lr 1.0e-7 \
    --weight-decay 0.1 \
    --clip-grad 1.0 \
    --adam-beta1 0.9 \
    --initial-loss-scale 4096.0 \
    --adam-beta2 0.95 \
    --adam-eps 1e-5 \
    --no-gradient-accumulation-fusion \
    --disable-bias-linear \
    --group-query-attention \
    --num-query-groups 8 \
    --lr-warmup-fraction 0.01 \
    --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 \
    --save $CKPT_DIR \

set +x

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3 ~ 4的.py文件修改，MindSpeed即可使用MindIO ACP加速周期性CheckPoint特性。

父主题： 使用指导