如何训练GPT-2模型并生成文本_云服务器 ECS(ECS)-阿里云帮助中心

本文介绍如何使用GPU云服务器，使用Megatron-Deepspeed框架训练GPT-2模型并生成文本。

背景信息

GPT-2模型是OpenAI于2018年在GPT模型的基础上发布的新的无监督NLP模型，当时被称为“史上最强通用NLP模型”。该模型可以生成连贯的文本段落，并且能在未经预训练的情况下，完成阅读理解、问答、机器翻译等多项不同的语言建模任务。GPT-2模型尤其在文本生成上有着惊艳的表现，其生成的文本在上下文连贯性和情感表达上都超过了人们的预期。

GPT-2模型由多层单向Transformer的解码器部分构成，根据模型层次规模，GPT-2模型有以下几个规格：

Megatron-Deepspeed框架结合了两种主要技术：

Megatron-LM是由NVIDIA开源的Transformer 模型框架。
DeepSpeed是由Microsoft开源的一个深度学习优化库。

DeepSpeed团队通过将DeepSpeed库中的ZeRO分片（ZeRO sharding）数据并行（Data Parallelism）和管道并行（Pipeline Parallelism）与Megatron-LM中的张量并行（Tensor Parallelism）相结合，开发了一种基于3D并行的实现，这就是Megatron-Deepspeed，它使得千亿级参数量以上的大规模语言模型（LLM）的分布式训练变得更简单、高效和有效。

本文基于阿里云GPU服务器，使用Megatron-Deepspeed框架训练GPT-2模型并生成文本。

重要

阿里云不对第三方模型“GPT-2”的合法性、安全性、准确性进行任何保证，阿里云不对由此引发的任何损害承担责任。
您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规，并就使用第三方模型的合法性、合规性自行承担相关责任。

操作步骤

创建ECS实例

在ECS实例创建页面，创建ECS实例。

关键参数说明如下，其他参数的配置，请参见自定义购买实例。

实例规格：选择ecs.gn7i-c8g1.2xlarge（单卡NVIDIA A10）。
镜像：使用云市场镜像，名称为aiacc-train-solution，您可以直接通过名称搜索该镜像，选择最新版本即可。
公网IP：选中分配公网IPv4地址，带宽计费方式选择按使用流量，带宽峰值选择100 Mbps，以加快模型下载速度。

安装Megatron-Deepspeed框架

使用root用户远程登录ECS实例。具体操作，请参见通过密码或密钥认证登录Linux实例。

执行以下命令，启动容器。

docker run -d -t --network=host --gpus all --privileged --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 --name megatron-deepspeed -v /etc/localtime:/etc/localtime -v /root/.ssh:/root/.ssh nvcr.io/nvidia/pytorch:21.10-py3

执行以下命令，进入容器终端。
```
docker exec -it megatron-deepspeed bash
```

执行以下命令，下载Megatron-DeepSpeed框架。

git clone https://github.com/bigscience-workshop/Megatron-DeepSpeed

执行以下命令，安装Megatron-DeepSpeed框架。
```
cd Megatron-DeepSpeed
pip install -r requirements.txt
```

处理数据

本指南使用1GB 79K-record的JSON格式的OSCAR数据集。

执行以下命令，下载数据集。

wget https://huggingface.co/bigscience/misc-test-data/resolve/main/stas/oscar-1GB.jsonl.xz
wget https://s3.amazonaws.com/models.huggingface.co/bert/gpt2-vocab.json
wget https://s3.amazonaws.com/models.huggingface.co/bert/gpt2-merges.txt

执行以下命令，解压数据集。
```
xz -d oscar-1GB.jsonl.xz
```

执行以下命令，预处理数据。

python3 tools/preprocess_data.py \
    --input oscar-1GB.jsonl \
    --output-prefix meg-gpt2 \
    --vocab gpt2-vocab.json \
    --dataset-impl mmap \
    --tokenizer-type GPT2BPETokenizer \
    --merge-file gpt2-merges.txt \
    --append-eod \
    --workers 8

如果回显信息类似如下所示，表示预处理数据完成。

执行以下命令，新建data目录。
```
mkdir data
```
执行以下命令，将处理好的数据移动到data目录下。
```
mv meg-gpt2* ./data
mv gpt2* ./data
```

预训练

本示例使用单机单卡的GPU实例完成GPT-2 MEDIUM模型的预训练。

创建预训练脚本文件。

执行以下命令，创建预训练脚本文件。
```
vim pretrain_gpt2.sh
```

按i键，进入编辑模式，在文件中添加以下信息。

#! /bin/bash

# Runs the "345M" parameter model

GPUS_PER_NODE=1
# Change for multinode config
MASTER_ADDR=localhost
MASTER_PORT=6000
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($GPUS_PER_NODE*$NNODES))

DATA_PATH=data/meg-gpt2_text_document
CHECKPOINT_PATH=checkpoints/gpt2

DISTRIBUTED_ARGS="--nproc_per_node $GPUS_PER_NODE --nnodes $NNODES --node_rank $NODE_RANK --master_addr $MASTER_ADDR --master_port $MASTER_PORT"

python -m torch.distributed.launch $DISTRIBUTED_ARGS \
       pretrain_gpt.py \
       --tensor-model-parallel-size 1 \
       --pipeline-model-parallel-size 1 \
       --num-layers 24 \
       --hidden-size 1024 \
       --num-attention-heads 16 \
       --micro-batch-size 4 \
       --global-batch-size 8 \
       --seq-length 1024 \
       --max-position-embeddings 1024 \
       --train-iters 5000 \
       --lr-decay-iters 320000 \
       --save $CHECKPOINT_PATH \
       --load $CHECKPOINT_PATH \
       --data-path $DATA_PATH \
       --vocab-file data/gpt2-vocab.json \
       --merge-file data/gpt2-merges.txt \
       --data-impl mmap \
       --split 949,50,1 \
       --distributed-backend nccl \
       --lr 0.00015 \
       --lr-decay-style cosine \
       --min-lr 1.0e-5 \
       --weight-decay 1e-2 \
       --clip-grad 1.0 \
       --lr-warmup-fraction .01 \
       --checkpoint-activations \
       --log-interval 10 \
       --save-interval 500 \
       --eval-interval 100 \
       --eval-iters 10 \
       --fp16

按Esc键，输入:wq后，按Enter键保存文件。

修改测试代码。
Megatron源码有一个断言需要注释掉，以保证代码正常运行。
1. 执行以下命令，打开测试代码文件。
```
vim /workspace/Megatron-DeepSpeed/megatron/model/fused_softmax.py +191
```
2. 按i键，进入编辑模式，在assert mask is None, "Mask is silently ignored due to the use of a custom kernel"前加#。
3. 按Esc键，输入:wq后，按Enter键保存文件。
预训练。
1. 执行以下命令，开始预训练。
```
nohup sh ./pretrain_gpt2.sh &
```
2. 执行如下命令，可以持续地查看nohup.out的输出，达到监控程序的效果。
```
tail -f nohup.out
```
  如果回显信息类似如下所示，表示预训练完成。
  说明
  预训练完成大概需要1小时30分钟，如果超时断开了ECS连接，重新远程登录ECS实例后，执行以下命令，继续查看预训练进度。预训练完成后，可以执行Ctrl+Z命令退出。
```
docker exec -it megatron-deepspeed bash
cd Megatron-DeepSpeed
tail -f nohup.out
```
（可选）执行以下命令，查看生成的模型checkpoint路径。
本示例生成的模型checkpoint路径设置在/workspace/Megatron-DeepSpeed/checkpoints/gpt2。
```
ll ./checkpoints/gpt2
```

使用GPT-2模型生成文本

执行以下命令，安装相关依赖。
说明
由于网络原因，执行命令后可能会失败，建议您多次尝试。
```
pip install mpi4py
```
如果回显信息类似如下所示，表示依赖安装完成。

创建文本生成脚本。

执行以下命令，创建文本生成脚本。
```
vim generate_text.sh
```

按i键，进入编辑模式，在文件中增加以下内容。

#!/bin/bash

CHECKPOINT_PATH=checkpoints/gpt2
VOCAB_FILE=data/gpt2-vocab.json
MERGE_FILE=data/gpt2-merges.txt

python tools/generate_samples_gpt.py \
       --tensor-model-parallel-size 1 \
       --num-layers 24 \
       --hidden-size 1024 \
       --load $CHECKPOINT_PATH \
       --num-attention-heads 16 \
       --max-position-embeddings 1024 \
       --tokenizer-type GPT2BPETokenizer \
       --fp16 \
       --micro-batch-size 2 \
       --seq-length 1024 \
       --out-seq-length 1024 \
       --temperature 1.0 \
       --vocab-file $VOCAB_FILE \
       --merge-file $MERGE_FILE \
       --genfile unconditional_samples.json \
       --num-samples 2 \
       --top_p 0.9 \
       --recompute

按Esc键，输入:wq后，按Enter键保存文件。

执行以下命令，生成文本。
```
sh ./generate_text.sh
```
如果回显信息类似如下所示，表示生成文本完成。
执行以下命令，查看生成的JSON格式的文本文件。
```
vim unconditional_samples.json
```
回显信息类似如下所示。

了解更多AIGC实践和GPU优惠

活动入口：立即开启AIGC之旅