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 mmap
、cached
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
- 创建一个虚拟环境
conda create --name ml
- 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
- 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 ..
- 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
- 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,
)
- 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
- 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)
- 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。
- 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.GPTTrainStep
、accelerate.utils.BertTrainStep
或accelerate.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,
}
- 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_path
、seq_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
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
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
- 将检查点从 Transformers 转换为 Megatron,使用
tp_size=2
,pp_size=2
和dp_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
- 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)
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)
- 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
- 对于 ROPE/ALiBi 注意力,将
position_embedding_type
与("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)
- 对于多查询注意力,将
attention_head_type
与("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
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。
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。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_process
和accelerator.is_local_main_process
在使用 Megatron-LM 集成时,对于最后一个等级返回True
。在
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。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。
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。在使用 Megatron-LM 时,使用
accelerator.save_state
和accelerator.load_state
保存和加载检查点。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,T5 和 MT5