training-xpu-pytorch 25.03
本文介绍training-xpu-pytorch 25.03版本发布记录。
Main Features and Bug Fix Lists
Main Features
基础镜像升级PPU SDK至1.4.3_hotfix。
ACCL-P升级至v1.4.3-8、EIC升级至1.3.7.1-v2503，合入对应版本功能和Bug fix。
vLLM升级至0.7.3、ray相应升级至2.43，支持flashinfer 0.2.1.post1、accelerate升级至1.5.2、Transformers升级至4.49.0+ali，合入对应版本功能和Bug fix。
Bugs Fix
（暂无）
Contents
应用场景 | 训练/推理 |
框架 | pytorch |
Requirements | PPU SDK 1.4.3-hotfix |
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。
25.03
公网镜像
egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.03
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
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，让用户可以低门槛的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
GPU核心组件E2E性能贡献分析
以下测试基于25.03, 在多节点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 --action train --model_name deepspeed/llama3-8b4. 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无法走FusedAttention (cudnn) ，可以优先使用FlashAttention：
export NVTE_FLASH_ATTN=1 && export NVTE_FUSED_ATTN=0。DeepSeek问题
测试DeepSeek模型
--max-model-len设置需要 < 80k，否则可能会在运行中出现OOM。SGLang不支持跑INT8量化模型。
vllm 0.7.3需要设置
--max-num-batched-tokens参数，避免被框架默认2048参数限制，参考开源社区[Usage]:Input prompt (2501 tokens) is too long and exceeds limit of 2048 #13370。
性能问题
MOE类大模型使用Autotune工具可以提升性能 ，vLLM支持通过硬件相关的fused_moe kernel配置文件启动kernel以提升性能的优化功能。
量化问题
vLLM默认使用Marlin Kernel对GPTQ/AWQ/W8A8/WOQ进行量化推理加速，可以通过显式指定quantization的方法来使用vllm原本的Marlin/W8A8/awq/gptq等量化推理kernel，例如可以指定使用gptq_acext/awq_acext来做量化推理，但是acext目前不支持
act_order=True的量化，以及GPTQ-Int8量化权重，下个版本优化。vLLM使用vllm-flash-attn/xformers/flashinfer作为attention的后端，默认使用vllm-flash-attn性能尚未超过GPU版本，下个版本优化。
vLLM量化A8W8对接acext库实现，性能需要持续优化。
目前FP8量化下速度非常慢，还没有进行PPU适配与优化，支持计划待定。
稳定性问题
vLLM多卡推理时，可能会出现使用mp_distributed_executor错误的情况，需使用
VLLM_WORKER_MULTIPROC_METHOD=spawn避免该问题，参考开源社区[Bug]: When tensor_parallel_size>1, RuntimeError: Cannot re-initialize CUDA in forked subprocess. #6152。vLLM多卡推理结束后会随机出现进程退出错误的社区已知问题，参考开源社区[Bug]: When using tp for inference, an error occurs: Worker VllmWorkerProcess pid 3283517 died, exit code: -15. #6145。