training-xpu-pytorch 25.02
本文介绍training-xpu-pytorch 25.02版本发布记录。
Main Features and Bug Fix Lists
Main Features
基础镜像升级PPU SDK至1.4.2。
网络组件合入最新版本EIC，新增支持rcopy文件分发、ACCL-Barex。
vLLM升级至0.7.2、Ray升级至2.42.1，Transformers升级至4.48.3+ali.vlm、TransformerEngine升级至1.13，合入对应版本功能和bug fix。
Bugs Fix
Pytorch升级至2.5.1.6.post3+ppu、修复torch profiler cuda kernel launch信息缺失问题。
Contents
应用场景 | 训练/推理 |
框架 | pytorch |
Requirements | PPU SDK 1.4.2 |
核心组件 |
|
Assets
通过公网拉取ACS AI容器镜像需要先获取鉴权密钥。建议您使用VPC方式加速拉取AI容器镜像，减少镜像拉取的时间。
25.02
公网镜像
egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.02
[Preview]Nightly-20250219
环境：Torch2.0、CUDA 11.6、Python3.8、Ubuntu20.04。
支持ffmpeg 7.0.1、open3d 0.18.0、cumm-cu116 0.5.3、spconv-cu116 2.3.6、mmcv-full 1.7.1、flash-attn 2.4.2。
公网镜像
egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:ppuv1.4.1-pytorch2.0-cuda11.6-ubuntu20.04-20250219
VPC镜像
acs-registry-vpc.{region-id}.cr.aliyuncs.com/egslingjun/{image:tag}
{region-id}为您使用的ACS产品所在的开服地域，比如：cn-beijing、cn-wulanchabu等。{image:tag}为实际镜像的名称和Tag。
Driver Requirements
Golden-ppu：Driver version >= 1.1.0
Key Features and Enhancements
PyTorch编译优化
PyTorch 2.0引入的编译优化能力在单卡小规模下通常可以获得显著的收益，但是在LLM训练中需要引入显存优化、FSDP/DeepSpeed等分布式框架，导致torch.compile()无法简单地获得收益或者存在负收益：
在Deepspeed框架下控制通信的颗粒度，帮助编译器获取更完整的计算图，做更大范围的编译优化。
优化版本的PyTorch：
优化PyTorch编译器前端，确保在计算图中出现任意graph break的情况下仍能正常编译。
强化模式匹配以及dynamic shape能力，提高编译后代码性能。
结合上述优化，在8B LLM训练下通常可以获得20%左右的E2E吞吐收益。
重计算显存优化
基于大量性能评测数据，包括不同模型在不同集群以及不同训练参数配置，以及评测过程中采集的相关显存利用率等系统指标数据，我们进行模型显存开销的预测建模分析，并推荐出最佳的激活值重算层数，并集成到PyTorch中，让用户可以低门槛地使用显存优化带来的性能收益。当前已支持该特性在DeepSpeed框架中的适配。
ACCL通信库
ACCL是阿里针对灵骏产品自研的高性能网络通信库，针对GPU、PPU和AMD三个场景提供ACCL-N、ACCL-P和ACCL-R三个版本。ACCL-N是阿里云基于英伟达NCCL定制后提供的高性能通信库，在完全兼容NCCL的基础上，修复了官方NCCL版本的一些BUG，并进行了性能和稳定性相关的优化。ACCL-P是基于平头哥开源通信库pccl，进行二次开发的集合通信库。ACCL-R是基于AMD Rocm开源通信库rccl，进行二次开发的集合通信库。本版本主要将ACCL/ACCL-N上实现的主要特性移植到了pccl上，修复了一些问题，结合高网的相关自研产品组件进行了深度定制。
E2E性能收益评估
利用云原生AI性能评测分析工具CNP，我们采用主流开源模型和框架配置，与标准的基础镜像进行了全面的端到端性能比较分析，并通过消融实验分析，进一步评估了每个优化组件对整体模型训练性能的收益贡献。
镜像对比基础镜像&迭代评估
PPU核心组件E2E性能贡献分析
以下测试基于25.02，在多节点GPU/PPU集群上进行E2E性能评测和对比分析，对比项包括：
Base：PPU PyTorch Image。
ACS AI Image：Base+ACCL：镜像使用ACCL通信库。
ACS AI Image：AC2+ACCL：Golden镜像使用AC2 BaseOS，不开启任何优化。
ACS AI Image：AC2+ACCL+CompilerOpt：Golden镜像使用AC2 BaseOS，只启用torch compile优化。
ACS AI Image：AC2+ACCL+CompilerOpt+CkptOpt：Golden镜像使用AC2 BaseOS，且同时开启torch compile和selective gradient checkpoint优化。
Quick Start
以下示例内容仅通过Docker方式拉取training-xpu-pytorch镜像。
在ACS中使用training-xpu-pytorch镜像需要通过控制台创建工作负载界面的制品中心页面选取，或者通过YAML文件指定镜像引用。
1. 选择镜像
通过公网拉取ACS AI容器镜像需要先获取鉴权密钥。建议您使用VPC方式加速拉取AI容器镜像，减少镜像拉取的时间。
docker login egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com2. 调用API开启编译器+重计算显存优化
启用编译优化
使用transformers Trainer API：
启用重计算显存优化
export CHECKPOINT_OPTIMIZATION=true
3. 启动容器
镜像中内置了模型训练工具ljperf，以此说明启动容器和运行训练任务的步骤。
ACS形态产品请通过YAML方式使用镜像。
LLM类
# 启动容器并进入
docker run --rm -it --ipc=host --net=host --privileged egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:[tag]
# 运行训练demo
ljperf benchmark --model deepspeed/llama3-8b 4. 使用建议
镜像中的改动涉及Pytorch、Deepspeed等库（后续会upstream），请勿重装。
deepspeed配置中的zero_optimization.stage3_prefetch_bucket_size留空或设置为auto。
Known Issues
PPU兼容的cudnn目前不支持fma功能，因此PPU兼容的TE无法使用FusedAttention（cudnn），可以优先使用FlashAttention：
export NVTE_FLASH_ATTN=1 && export NVTE_FUSED_ATTN=0。PPU算子库Gemm计算中用到FP32 tensor core时，可能有corner case导致计算错误，预计在下个版本中修复。
PPU跨节点CUDA graph功能在当前版本支持还存在问题，预计下个版本中修复。