加速文档

Megatron-LM

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验的访问权限

开始

Megatron-LM

Megatron-LM 能够在大规模上训练大型 Transformer 语言模型。它为预训练基于 Transformer 的语言模型提供高效的张量、管道和序列模型并行,例如 GPT(仅解码器)、BERT(仅编码器)和 T5(编码器-解码器)。有关详细信息以及幕后工作原理,请参阅 github 仓库

集成了什么?

Accelerate 集成了 Megatron-LM 的以下功能,以支持 BERT(编码器)、GPT(解码器)或 T5 模型(编码器和解码器)的大规模预训练/微调。

a. 张量并行 (TP):在节点内等级上没有太多额外的通信的情况下,减少内存占用。每个张量被分割成多个块,每个块驻留在不同的 GPU 上。在每个步骤中,相同的小批量数据由每个块独立并行处理,然后在所有 GPU 上同步(all-reduce 操作)。在一个简单的 Transformer 层中,这会导致前向路径中有 2 个 all-reduces,后向路径中有 2 个。有关更多详细信息,请参阅研究论文 Megatron-LM:使用模型并行训练数十亿参数的语言模型 以及这篇博文中的本节内容 BLOOM 训练背后的技术

b. 管道并行 (PP):通过节点间并行化,减少内存占用并支持大规模训练。通过 PipeDream-Flush 调度/1F1B 调度和交错 1F1B 调度减少了朴素 PP 的泡沫。层均匀分布在 PP 阶段。例如,如果模型有 24 层,我们有 4 个用于管道并行的 GPU,每个 GPU 将有 6 层(24/4)。有关减少 PP 闲置时间的调度的更多详细信息,请参阅研究论文 使用 Megatron-LM 在 GPU 集群上进行高效的大规模语言模型训练 以及这篇博文中的本节内容 BLOOM 训练背后的技术

c. 序列并行 (SP):在没有额外通信的情况下减少内存占用。仅在使用 TP 时适用。它减少了所需的激活内存,因为它通过将 all-reduce 后的张量并行等级上的相同副本替换为 reduce-scatter 来防止它们存在,而 no-op 操作将被 all-gather 替换。由于 all-reduce = reduce-scatter + all-gather,这在没有额外通信成本的情况下节省了大量激活内存。简单来说,它沿着序列维度对每个 Transformer 层的输出进行分片,例如,如果序列长度为 1024,TP 大小为 4,每个 GPU 将拥有 256 个标记(1024/4)用于每个样本。这增加了训练可以支持的批大小。有关更多详细信息,请参阅研究论文 减少大型 Transformer 模型中的激活重新计算

d. 数据并行 (DP) 通过分布式优化器:通过将优化器状态和梯度在 DP 等级上进行分片(与在数据并行等级上复制优化器状态的传统方法相比)来减少内存占用。例如,当使用混合精度训练的 Adam 优化器时,每个参数占 12 字节的内存。这将在 GPU 之间平均分配,即,如果我们有 4 个 GPU,每个参数将占 3 字节(12/4)。有关更多详细信息,请参阅研究论文 ZeRO:面向训练万亿参数模型的内存优化 以及这篇博客中的以下部分 BLOOM 训练背后的技术

e. 选择性激活重新计算:通过智能激活检查点显著减少了激活的内存占用。它不会存储占用大量内存的激活,同时计算速度很快,从而在内存和重新计算之间取得了良好的平衡。例如,对于 GPT-3,这会导致激活所需的内存减少 70%,而激活重新计算的 FLOPs 开销仅为 2.7%。有关更多详细信息,请参阅研究论文 减少大型 Transformer 模型中的激活重新计算

f. 融合内核:融合 Softmax、混合精度融合层规范化和融合梯度累积以加权线性层的梯度计算。PyTorch JIT 编译的融合 GeLU 和融合 Bias+Dropout+残差相加。

g. 支持索引数据集:用于大规模训练的有效数据集二进制格式。支持 mmapcached 索引文件和 lazy 加载程序格式。

h. 检查点重塑和互操作性:用于将可变张量和管道并行大小的 Megatron-LM 检查点重塑为受人喜爱的 Transformers 分片检查点,因为它在许多工具(如 Accelerate 大模型推理、Megatron-DeepSpeed 推理等)中得到了很好的支持。还支持将 Transformers 分片检查点转换为可变张量和管道并行大小的 Megatron-LM 检查点以进行大规模训练。

先决条件

您需要安装最新的 pytorch、cuda、nccl 和 NVIDIA APEX 版本以及 nltk 库。有关更多详细信息,请参阅 文档。另一种设置环境的方法是从 NGC 拉取包含所有必需安装的 NVIDIA PyTorch 容器。

下面是设置 conda 环境的步骤方法

  1. 创建一个虚拟环境
conda create --name ml
  1. 假设机器已安装 CUDA 11.3,安装相应的 PyTorch GPU 版本
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
  1. 安装 Nvidia APEX
git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
cd ..
  1. 安装 Megatron-LM
git clone https://github.com/NVIDIA/Megatron-LM.git
cd Megatron-LM
git checkout core_r0.5.0
pip install --no-use-pep517 -e .

Accelerate Megatron-LM 插件

重要功能通过 accelerate config 命令直接支持。下面显示了使用 Megatron-LM 功能的对应问题的示例

:~$ accelerate config --config_file "megatron_gpt_config.yaml"
In which compute environment are you running? ([0] This machine, [1] AWS (Amazon SageMaker)): 0
Which type of machine are you using? ([0] No distributed training, [1] multi-CPU, [2] multi-GPU, [3] TPU): 2
How many different machines will you use (use more than 1 for multi-node training)? [1]: 
Do you want to use DeepSpeed? [yes/NO]: 
Do you want to use FullyShardedDataParallel? [yes/NO]: 
Do you want to use Megatron-LM ? [yes/NO]: yes
What is the Tensor Parallelism degree/size? [1]:2
Do you want to enable Sequence Parallelism? [YES/no]: 
What is the Pipeline Parallelism degree/size? [1]:2
What is the number of micro-batches? [1]:2
Do you want to enable selective activation recomputation? [YES/no]: 
Do you want to use distributed optimizer which shards optimizer state and gradients across data parallel ranks? [YES/no]: 
What is the gradient clipping value based on global L2 Norm (0 to disable)? [1.0]: 
How many GPU(s) should be used for distributed training? [1]:4
Do you wish to use FP16 or BF16 (mixed precision)? [NO/fp16/bf16]: bf16

生成的配置如下所示

~$ cat megatron_gpt_config.yaml 
compute_environment: LOCAL_MACHINE
deepspeed_config: {}
distributed_type: MEGATRON_LM
downcast_bf16: 'no'
fsdp_config: {}
machine_rank: 0
main_process_ip: null
main_process_port: null
main_training_function: main
megatron_lm_config:
  megatron_lm_gradient_clipping: 1.0
  megatron_lm_num_micro_batches: 2
  megatron_lm_pp_degree: 2
  megatron_lm_recompute_activations: true
  megatron_lm_sequence_parallelism: true
  megatron_lm_tp_degree: 2
  megatron_lm_use_distributed_optimizer: true
mixed_precision: bf16
num_machines: 1
num_processes: 4
rdzv_backend: static
same_network: true
use_cpu: false

我们将以 GPT 预训练为例。使用 Megatron-LM 对官方 run_clm_no_trainer.py 所需的最小更改如下所示

  1. 由于 Megatron-LM 使用其自己的优化器实现,因此需要使用与其兼容的相应调度程序。因此,只支持 Megatron-LM 的调度程序。用户需要创建 accelerate.utils.MegatronLMDummyScheduler。示例如下所示
from accelerate.utils import MegatronLMDummyScheduler

if accelerator.distributed_type == DistributedType.MEGATRON_LM:
    lr_scheduler = MegatronLMDummyScheduler(
        optimizer=optimizer,
        total_num_steps=args.max_train_steps,
        warmup_num_steps=args.num_warmup_steps,
    )
else:
    lr_scheduler = get_scheduler(
        name=args.lr_scheduler_type,
        optimizer=optimizer,
        num_warmup_steps=args.num_warmup_steps * args.gradient_accumulation_steps,
        num_training_steps=args.max_train_steps * args.gradient_accumulation_steps,
    )
  1. 现在获取总批大小的详细信息需要考虑张量和管道并行大小。下面显示了获取有效总批大小的示例
if accelerator.distributed_type == DistributedType.MEGATRON_LM:
    total_batch_size = accelerator.state.megatron_lm_plugin.global_batch_size
else:
    total_batch_size = args.per_device_train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps
  1. 在使用 Megatron-LM 时,损失已经在数据并行组中进行了平均
if accelerator.distributed_type == DistributedType.MEGATRON_LM:
    losses.append(loss)
else:
    losses.append(accelerator.gather_for_metrics(loss.repeat(args.per_device_eval_batch_size)))

if accelerator.distributed_type == DistributedType.MEGATRON_LM:
    losses = torch.tensor(losses)
else:
    losses = torch.cat(losses)
  1. 对于 Megatron-LM,我们需要使用 accelerator.save_state 保存模型
if accelerator.distributed_type == DistributedType.MEGATRON_LM:
    accelerator.save_state(args.output_dir)
else:
    unwrapped_model = accelerator.unwrap_model(model)
    unwrapped_model.save_pretrained(
        args.output_dir, is_main_process=accelerator.is_main_process, save_function=accelerator.save
    )

就是这样!我们可以开始了 🚀。请在示例文件夹中路径为 accelerate/examples/by_feature/megatron_lm_gpt_pretraining.py 的位置找到示例脚本。让我们使用 4 个 A100-80GB GPU 运行 gpt-large 模型架构。

accelerate launch --config_file megatron_gpt_config.yaml \
examples/by_feature/megatron_lm_gpt_pretraining.py \
--config_name "gpt2-large" \
--tokenizer_name "gpt2-large" \
--dataset_name wikitext \
--dataset_config_name wikitext-2-raw-v1 \
--block_size 1024 \
--learning_rate 5e-5 \
--per_device_train_batch_size 24 \
--per_device_eval_batch_size 24 \
--num_train_epochs 5 \
--with_tracking \
--report_to "wandb" \
--output_dir "awesome_model"

下面是输出日志中的一些重要摘录

Loading extension module fused_dense_cuda...
>>> done with compiling and loading fused kernels. Compilation time: 3.569 seconds
 > padded vocab (size: 50257) with 175 dummy tokens (new size: 50432)
Building gpt model in the pre-training mode.
The Megatron LM model weights are initialized at random in `accelerator.prepare`. Please use `accelerator.load_checkpoint` to load a pre-trained checkpoint matching the distributed setup.
Preparing dataloader
Preparing dataloader
Preparing model
 > number of parameters on (tensor, pipeline) model parallel rank (1, 0): 210753280
 > number of parameters on (tensor, pipeline) model parallel rank (1, 1): 209445120
 > number of parameters on (tensor, pipeline) model parallel rank (0, 0): 210753280
 > number of parameters on (tensor, pipeline) model parallel rank (0, 1): 209445120
Preparing optimizer
Preparing scheduler
> learning rate decay style: linear
10/10/2022 22:57:22 - INFO - __main__ - ***** Running training *****
10/10/2022 22:57:22 - INFO - __main__ -   Num examples = 2318
10/10/2022 22:57:22 - INFO - __main__ -   Num Epochs = 5
10/10/2022 22:57:22 - INFO - __main__ -   Instantaneous batch size per device = 24
10/10/2022 22:57:22 - INFO - __main__ -   Total train batch size (w. parallel, distributed & accumulation) = 48
10/10/2022 22:57:22 - INFO - __main__ -   Gradient Accumulation steps = 1
10/10/2022 22:57:22 - INFO - __main__ -   Total optimization steps = 245
 20%|████████████▍                                                 | 49/245 [01:04<04:09,  1.27s/it]
 10/10/2022 22:58:29 - INFO - __main__ - epoch 0: perplexity: 1222.1594275215962 eval_loss: 7.10837459564209
 40%|████████████████████████▊                                     | 98/245 [02:10<03:07,  1.28s/it]
 10/10/2022 22:59:35 - INFO - __main__ - epoch 1: perplexity: 894.5236583794557 eval_loss: 6.796291351318359
 60%|████████████████████████████████████▌                        | 147/245 [03:16<02:05,  1.28s/it]
 10/10/2022 23:00:40 - INFO - __main__ - epoch 2: perplexity: 702.8458788508042 eval_loss: 6.555137634277344
 80%|████████████████████████████████████████████████▊            | 196/245 [04:22<01:02,  1.28s/it]
 10/10/2022 23:01:46 - INFO - __main__ - epoch 3: perplexity: 600.3220028695281 eval_loss: 6.39746618270874
100%|█████████████████████████████████████████████████████████████| 245/245 [05:27<00:00,  1.28s/it]

可以使用 accelerate.utils.MegatronLMPlugin 设置大量其他选项/功能。

利用编写自定义训练步骤和 Megatron-LM 索引数据集的先进功能

要利用更多功能,请仔细阅读以下内容。

  1. 下面是使用 Megatron-LM 自定义训练步骤所需的更改示例。您将实现 accelerate.utils.AbstractTrainStep 或从其对应的子类 accelerate.utils.GPTTrainStepaccelerate.utils.BertTrainStepaccelerate.utils.T5TrainStep 继承。
from accelerate.utils import MegatronLMDummyScheduler, GPTTrainStep, avg_losses_across_data_parallel_group


# Custom loss function for the Megatron model
class GPTTrainStepWithCustomLoss(GPTTrainStep):
    def __init__(self, megatron_args, **kwargs):
        super().__init__(megatron_args)
        self.kwargs = kwargs

    def get_loss_func(self):
        def loss_func(inputs, loss_mask, output_tensor):
            batch_size, seq_length = output_tensor.shape
            losses = output_tensor.float()
            loss_mask = loss_mask.view(-1).float()
            loss = losses.view(-1) * loss_mask

            # Resize and average loss per sample
            loss_per_sample = loss.view(batch_size, seq_length).sum(axis=1)
            loss_mask_per_sample = loss_mask.view(batch_size, seq_length).sum(axis=1)
            loss_per_sample = loss_per_sample / loss_mask_per_sample

            # Calculate and scale weighting
            weights = torch.stack([(inputs == kt).float() for kt in self.kwargs["keytoken_ids"]]).sum(axis=[0, 2])
            weights = 1.0 + self.kwargs["alpha"] * weights
            # Calculate weighted average
            weighted_loss = (loss_per_sample * weights).mean()

            # Reduce loss across data parallel groups
            averaged_loss = avg_losses_across_data_parallel_group([weighted_loss])

            return weighted_loss, {"lm loss": averaged_loss[0]}

        return loss_func

    def get_forward_step_func(self):
        def forward_step(data_iterator, model):
            """Forward step."""
            # Get the batch.
            tokens, labels, loss_mask, attention_mask, position_ids = self.get_batch(data_iterator)
            output_tensor = model(tokens, position_ids, attention_mask, labels=labels)

            return output_tensor, partial(self.loss_func, tokens, loss_mask)

        return forward_step


def main():
    # Custom loss function for the Megatron model
    keytoken_ids = []
    keywords = ["plt", "pd", "sk", "fit", "predict", " plt", " pd", " sk", " fit", " predict"]
    for keyword in keywords:
        ids = tokenizer([keyword]).input_ids[0]
        if len(ids) == 1:
            keytoken_ids.append(ids[0])
    accelerator.print(f"Keytoken ids: {keytoken_ids}")
    accelerator.state.megatron_lm_plugin.custom_train_step_class = GPTTrainStepWithCustomLoss
    accelerator.state.megatron_lm_plugin.custom_train_step_kwargs = {
        "keytoken_ids": keytoken_ids,
        "alpha": 0.25,
    }
  1. 要使用 Megatron-LM 数据集,还需要做一些更改。这些数据集的 Dataloaders 仅在每个张量并行组的等级 0 上可用。因此,有些等级将无法使用 dataloader,这需要对训练循环进行调整。能够做到这一切显示了 Accelerate 的灵活性和可扩展性。所需的更改如下所示。

a. 对于 Megatron-LM 索引数据集,我们需要使用 MegatronLMDummyDataLoader 并将所需的数据集参数传递给它,例如 data_pathseq_length 等。有关可用参数的列表,请参阅 此处

from accelerate.utils import MegatronLMDummyDataLoader

megatron_dataloader_config = {
    "data_path": args.data_path,
    "splits_string": args.splits_string,
    "seq_length": args.block_size,
    "micro_batch_size": args.per_device_train_batch_size,
}
megatron_dataloader = MegatronLMDummyDataLoader(**megatron_dataloader_config)
accelerator.state.megatron_lm_plugin.megatron_dataset_flag = True

b. megatron_dataloader 重复 3 次以根据 args.splits_string 比例获取训练、验证和测试 dataloaders

model, optimizer, lr_scheduler, train_dataloader, eval_dataloader, _ = accelerator.prepare(
    model, optimizer, lr_scheduler, megatron_dataloader, megatron_dataloader, megatron_dataloader
)

c. 对训练和评估循环进行更改,因为 dataloader 仅在张量并行等级 0 上可用。因此,我们需要在 dataloader 不为 None 时迭代,否则提供空字典。因此,我们使用 while 循环进行循环,并在 completed_steps 等于 args.max_train_steps 时退出循环。这类似于 Megatron-LM 设置,其中用户在使用 Megaton-LM 索引数据集时需要提供 max_train_steps。这显示了 Accelerate 的灵活性和可扩展性。

while completed_steps < args.max_train_steps:
    model.train()
    batch = next(train_dataloader) if train_dataloader is not None else {}
    outputs = model(**batch)
    loss = outputs.loss
    ...

    if completed_steps % eval_interval == 0:
        eval_completed_steps = 0
        losses = []
        while eval_completed_steps < eval_iters:
            model.eval()
            with torch.no_grad():
                batch = next(eval_dataloader) if eval_dataloader is not None else {}
                outputs = model(**batch)

检查点重塑和互操作性的工具

  1. 这些脚本位于 Transformers 库中,在相应的模型下。目前,它适用于 GPT 模型 checkpoint_reshaping_and_interoperability.py

  2. 以下是一个将检查点从 Megatron-LM 转换为通用 Transformers 分片检查点的示例。

python checkpoint_reshaping_and_interoperability.py \
--convert_checkpoint_from_megatron_to_transformers \
--load_path "gpt/iter_0005000" \
--save_path "gpt/trfs_checkpoint" \
--max_shard_size "200MB" \
--tokenizer_name "gpt2" \
--print-checkpoint-structure
  1. 将检查点从 Transformers 转换为 Megatron,使用 tp_size=2pp_size=2dp_size=2
python checkpoint_utils/megatgron_gpt2/checkpoint_reshaping_and_interoperability.py \
--load_path "gpt/trfs_checkpoint" \
--save_path "gpt/megatron_lm_checkpoint" \
--target_tensor_model_parallel_size 2 \
--target_pipeline_model_parallel_size 2 \
--target_data_parallel_size 2 \
--target_params_dtype "bf16" \
--make_vocab_size_divisible_by 128 \
--use_distributed_optimizer \
--print-checkpoint-structure

Megatron-LM GPT 模型支持返回 logits 和 megatron_generate 函数,用于文本生成

  1. 要返回 logits,需要在 MegatronLMPlugin 中设置 require_logits=True,如下所示。这些将在管道的最后阶段可用。
megatron_lm_plugin = MegatronLMPlugin(return_logits=True)
  1. megatron_generate 方法适用于 Megatron-LM GPT 模型:这将使用张量和管道并行性来完成一批输入的生成,当使用贪婪算法进行带/不带 top_k/top_p 采样的生成时,以及当使用束搜索解码进行单个提示输入的生成时。Transformers 生成功能仅支持子集。这将有助于通过张量和管道并行性使用大型模型进行生成(默认情况下,已经执行了键值缓存并使用融合内核)。这需要数据并行大小为 1,序列并行和激活检查点被禁用。它还需要指定分词器词汇文件和合并文件的路径。以下示例展示了如何为 Megatron-LM GPT 模型配置和使用 megatron_generate 方法。
# specifying tokenizer's vocab and merges file
vocab_file = os.path.join(args.resume_from_checkpoint, "vocab.json")
merge_file = os.path.join(args.resume_from_checkpoint, "merges.txt")
other_megatron_args = {"vocab_file": vocab_file, "merge_file": merge_file}
megatron_lm_plugin = MegatronLMPlugin(other_megatron_args=other_megatron_args)

# inference using `megatron_generate` functionality
tokenizer.pad_token = tokenizer.eos_token
max_new_tokens = 64
batch_texts = [
    "Are you human?",
    "The purpose of life is",
    "The arsenal was constructed at the request of",
    "How are you doing these days?",
]
batch_encodings = tokenizer(batch_texts, return_tensors="pt", padding=True)

# top-p sampling
generated_tokens = model.megatron_generate(
    batch_encodings["input_ids"],
    batch_encodings["attention_mask"],
    max_new_tokens=max_new_tokens,
    top_p=0.8,
    top_p_decay=0.5,
    temperature=0.9,
)
decoded_preds = tokenizer.batch_decode(generated_tokens.cpu().numpy())
accelerator.print(decoded_preds)

# top-k sampling
generated_tokens = model.megatron_generate(
    batch_encodings["input_ids"],
    batch_encodings["attention_mask"],
    max_new_tokens=max_new_tokens,
    top_k=50,
    temperature=0.9,
)
decoded_preds = tokenizer.batch_decode(generated_tokens.cpu().numpy())
accelerator.print(decoded_preds)

# adding `bos` token at the start
generated_tokens = model.megatron_generate(
    batch_encodings["input_ids"], batch_encodings["attention_mask"], max_new_tokens=max_new_tokens, add_BOS=True
)
decoded_preds = tokenizer.batch_decode(generated_tokens.cpu().numpy())
accelerator.print(decoded_preds)

# beam search => only takes single prompt
batch_texts = ["The purpose of life is"]
batch_encodings = tokenizer(batch_texts, return_tensors="pt", padding=True)
generated_tokens = model.megatron_generate(
    batch_encodings["input_ids"],
    batch_encodings["attention_mask"],
    max_new_tokens=max_new_tokens,
    num_beams=20,
    length_penalty=1.5,
)
decoded_preds = tokenizer.batch_decode(generated_tokens.cpu().numpy())
accelerator.print(decoded_preds)
  1. 使用 Megatron-LM GPT 模型的 megatron_generate 方法的端到端示例可在 megatron_gpt2_generation.py 中找到,配置文件为 megatron_lm_gpt_generate_config.yaml。带有 accelerate 启动命令的 bash 脚本可在 megatron_lm_gpt_generate.sh 中找到。脚本的输出日志可在 megatron_lm_gpt_generate.log 中找到。

支持 ROPE 和 ALiBi 位置嵌入以及多查询注意力

  1. 对于 ROPE/ALiBi 注意力,将 position_embedding_type("absolute" | "rotary" | "alibi") 一起传递给 MegatronLMPlugin,如下所示。
other_megatron_args = {"position_embedding_type": "alibi"}
megatron_lm_plugin = MegatronLMPlugin(other_megatron_args=other_megatron_args)
  1. 对于多查询注意力,将 attention_head_type("multihead" | "multiquery") 一起传递给 MegatronLMPlugin,如下所示。
other_megatron_args = {"attention_head_type": "multiquery"}
megatron_lm_plugin = MegatronLMPlugin(other_megatron_args=other_megatron_args)

注意事项

  1. 支持 Transformers GPT2、Megatron-BERT 和 T5 模型。这涵盖了仅解码器、仅编码器和编码器-解码器模型类。

  2. 模型前向传递只返回损失,因为幕后有非常复杂的管道、张量和数据并行交互。model(**batch_data) 调用返回在数据并行等级上平均的损失。对于大多数情况下,使用 Megatron-LM 功能运行预训练作业是可以的,您可以轻松地使用损失计算 困惑度。对于 GPT 模型,除了损失之外,还支持返回 logits。这些 logits 不会在数据并行等级上进行收集。使用 accelerator.utils.gather_across_data_parallel_groups 收集数据并行等级上的 logits。这些 logits 以及标签可用于计算各种性能指标。

  3. 主进程是最后一个等级,因为损失/logits 在管道的最后阶段可用。accelerator.is_main_processaccelerator.is_local_main_process 在使用 Megatron-LM 集成时,对于最后一个等级返回 True

  4. accelerator.prepare 调用中,使用随机权重创建对应于给定 Transformers 模型的 Megatron-LM 模型。请使用 accelerator.load_state 加载具有匹配 TP、PP 和 DP 分区的 Megatron-LM 检查点。

  5. 目前,检查点重塑和互操作性支持仅适用于 GPT。它很快就会扩展到 BERT 和 T5。

  6. gradient_accumulation_steps 需要为 1。在使用 Megatron-LM 时,管道并行设置中的微批次等同于梯度累积。

  7. 在使用 Megatron-LM 时,使用 accelerator.save_stateaccelerator.load_state 保存和加载检查点。

  8. 以下是 Megatron-LM 模型架构与等效的 Transformers 模型架构的映射。仅支持这些 Transformers 模型架构。

a. Megatron-LM BertModel : Transformers 模型,其配置类型为 megatron-bert,例如,MegatronBERT

b. Megatron-LM GPTModel : Transformers 模型,其配置类型为 gpt2,例如,OpenAI GPT2

c. Megatron-LM T5Model : Transformers 模型,其配置类型为 t5,例如,T5MT5

< > 在 GitHub 上更新