Meta Llama3.1模型在PAI-Megatron-Patch的最佳实践

前提条件

本方案以Meta-Llama-3.1-8B模型为例，在开始执行操作前，请确认您已经完成以下准备工作：

• 已开通PAI（DSW、DLC、EAS）并创建了默认的工作空间。具体操作，请参见开通PAI并创建默认工作空间。

• 已购买灵骏智算资源并创建资源配额。具体操作，请参见新建资源组并购买灵骏智算资源和灵骏智算资源配额。不同模型参数量支持的资源规格列表如下，请根据您实际使用的模型参数量选择合适的资源，关于灵骏智算资源的节点规格详情，请参见灵骏Serverless版机型定价详情。

  模型参数量	全参数训练资源	推理资源（最低）	Megatron训练模型切片
  8B	8卡*gu7xf、8卡*gu7ef	1*V100（32 GB显存）、1*A10（22 GB显存）	TP1、PP1
  70B	4*8卡*gu7xf、4*8卡*gu7ef	6*V100（32 GB显存）、2卡*gu7xf	TP8、PP2

• 已创建阿里云文件存储（通用型NAS）类型的数据集，用于存储训练所需的文件和结果文件。默认挂载路径配置为/mnt/data/nas。具体操作，请参见创建及管理数据集。

• 已创建DSW实例，其中关键参数配置如下。具体操作，请参见创建DSW实例。

  • 资源配额：选择已创建的灵骏智算资源的资源配额。

  • 资源规格：配置以下资源规格。

    • CPU（核数）：90。

    • 内存（GiB）：1024。

    • 共享内存（GiB）：1024。

    • GPU（卡数）：至少为8。

  • 挂载配置：单击添加，选择已创建的数据集，并使用默认挂载路径。

  • 镜像：在镜像地址页签，配置镜像为dsw-registry.cn-wulanchabu.cr.aliyuncs.com/pai/pai-megatron-patch:24.07 。

• 如果使用RAM用户完成以下相关操作，需要为RAM用户授予DSW、DLC或EAS的操作权限。具体操作，请参见云产品依赖与授权：DSW、云产品依赖与授权：DLC或云产品依赖与授权：EAS。

使用限制

仅支持在华北6（乌兰察布）和新加坡地域使用该最佳实践。

步骤一：下载模型训练工具源代码

1. 进入PAI-DSW开发环境。

   1. 登录PAI控制台。

   2. 在页面左上方，选择使用服务的地域：华北6（乌兰察布）。

   3. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。

   4. 在左侧导航栏，选择模型开发与训练 > 交互式建模（DSW）。

   5. 单击目标实例操作列下的打开。

2. 在顶部菜单栏单击Terminal，在该页签中单击创建terminal。

3. 在Terminal中执行以下命令，下载Pai-Megatron-Patch，并安装训练环境所需依赖。

   cd /mnt/workspace/
   # 方式一：通过开源网站获取训练代码。
   git clone --recurse-submodules https://github.com/alibaba/Pai-Megatron-Patch.git
   cd Pai-Megatron-Patch
   
   # 目前LLama3.1已支持使用FlashAttention-3加速计算，但只能在Hopper架构的GPU卡上进行运算。如果需要在H卡上使用Flash Attention-3，请在DSW上的容器中安装上Flash Attention3并保存镜像。
   pip install "git+https://github.com/Dao-AILab/flash-attention.git#egg=flashattn-hopper&subdirectory=hopper"
   python_path=`python -c "import site; print(site.getsitepackages()[0])"`
   mkdir -p $python_path/flashattn_hopper
   wget -P $python_path/flashattn_hopper https://raw.githubusercontent.com/Dao-AILab/flash-attention/main/hopper/flash_attn_interface.py

步骤二：准备Meta-Llama-3.1-8B模型

在DSW的Terminal中执行以下命令，下载Meta-Llama-3.1-8B模型。

cd /mnt/workspace
mkdir llama3-ckpts
cd llama3-ckpts
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama3-ckpts/Meta-Llama-3.1-8B.tgz
tar -zxf Meta-Llama-3.1-8B.tgz

步骤三：准备数据集

在DSW的Terminal中，执行以下命令，下载PAI已准备好的数据集。

cd /mnt/workspace
mkdir llama3-datasets
cd llama3-datasets
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama3-datasets/mmap_llama3_datasets_text_document.bin
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama3-datasets/mmap_llama3_datasets_text_document.idx

wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama3-datasets/alpaca_zh-llama3-train.json
wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/llama3-datasets/alpaca_zh-llama3-valid.json

步骤四：Megatron-Core训练

您可以按照以下流程进行Megatron-Core训练。在Llama3.1中，PAI已将预训练和微调过程整合到run_mcore_llama3_1.sh脚本，对于不同的使用场景，二者各参数的意义有所不同。

Megatron-Core模型格式转换

在Terminal中执行以下命令，使用PAI提供的模型转换工具，可将Checkpoint无损转换成Megatron-Core模型格式，并输出到启动参数（TARGET_CKPT_PATH=$3）配置的目标Checkpoint路径中。

cd /mnt/workspace/Pai-Megatron-Patch/toolkits/model_checkpoints_convertor/llama
bash hf2mcore_convertor_llama3_1.sh \
8B \
/mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B    \
/mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B/mcore-tp4-pp2  \
4  \
2  \
false \
true \
false \
bf16

其中运行hf2mcore_convertor_llama3_1.sh脚本需要传入的参数说明如下：

Megatron-Core预训练

先在DSW单机环境中对训练脚本进行调试，调试完成后，您便可以在DLC环境提交多机多卡的分布式训练任务，训练时长取决于您设定的训练Tokens数量。任务执行完成后，模型文件将被保存至/mnt/workspace/output_mcore_llama3_1/目录。

cd /mnt/workspace/Pai-Megatron-Patch/examples/llama3_1
sh run_mcore_llama3_1.sh  \
dsw  \
8B   \
1    \
8 \
1e-5   \
1e-6   \
128  \
128  \
bf16  \
4   \
2  \
1 \
true \
true   \
true \
false \
false   \
false \
100000  \
/mnt/workspace/llama3-datasets/mmap_llama3_datasets_text_document   \
/mnt/workspace/llama3-datasets/mmap_llama3_datasets_text_document   \
/mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B/mcore-tp4-pp2  \
10000  \
100   \
/mnt/workspace/output_mcore_llama3_1

Megatron-Core指令微调

先在DSW单机环境中对训练脚本进行调试，调试完成后，您便可以在DLC环境提交多机多卡的分布式训练任务，训练时长取决于您设定的训练迭代次数。任务执行完成后，模型文件将被保至/mnt/workspace/output_megatron_llama3/目录。

1. 创建用于微调的idxmap数据集，详情请参见sft_data_preprocessing。

2. 准备好微调数据集后，进行模型微调。

   DSW单机微调模型

   将SFT开关设置为true即可进行指令微调。代码示例如下：

   cd /mnt/workspace/Pai-Megatron-Patch/examples/llama3_1
   sh run_mcore_llama3_1.sh  \
   dsw  \
   8B   \
   1    \
   8 \
   1e-5   \
   1e-6   \
   128  \
   128  \
   bf16  \
   4   \
   2  \
   1 \
   true \
   true   \
   true \
   true \
   false   \
   false \
   100000  \
   /mnt/workspace/llama3-datasets/path_to_your_dataset   \
   /mnt/workspace/llama3-datasets/path_to_your_dataset   \
   /path/to/pretraining/checkpoint  \
   10000  \
   100   \
   /workspace/output_mcore_llama3_1

   其中运行run_mcore_llama3_1.sh脚本，需要将启动参数DATASET_PATH=${20}、VALID_DATASET_PATH=${21}和PRETRAIN_CHECKPOINT_PATH=${22}配置的数据集和预训练模型路径替换为您的实际路径，更多参数配置说明，请参见Megatron-Core预训练。

   DLC分布式微调模型

   在DSW单机环境调试完成后，您可以在DLC环境中配置多机多卡分布式任务。提交DLC训练任务时，启动命令配置如下，其他参数配置详情，请参见Megatron-Core预训练。

   cd /mnt/workspace/Pai-Megatron-Patch/examples/llama3_1
   sh run_mcore_llama3_1.sh  \
   dlc  \
   8B   \
   1    \
   8 \
   1e-5   \
   1e-6   \
   128  \
   128  \
   bf16  \
   4   \
   2  \
   1 \
   true \
   true   \
   true \
   true \
   false   \
   false \
   100000  \
   /mnt/workspace/llama3-datasets/path_to_your_dataset   \
   /mnt/workspace/llama3-datasets/path_to_your_dataset   \
   /path/to/pretraining/checkpoint  \
   10000  \
   100   \
   /workspace/output_mcore_llama3_1

   其中运行run_mcore_llama3_1.sh需要传入的参数与DSW单机微调模型相同。

您也可以通过设置MP_DATASET_TYPE环境变量，使用JSON格式的数据集进行指令微调。

export MP_DATASET_TYPE="raw"
cd /mnt/workspace/Pai-Megatron-Patch/examples/llama3_1
sh run_mcore_llama3_1.sh  \
dsw  \
8B   \
1    \
8 \
1e-5   \
1e-6   \
128  \
128  \
bf16  \
4   \
2  \
1 \
true \
true   \
true \
true \
false   \
false \
100000  \
/mnt/workspace/llama3-datasets/alpaca_zh-llama3-train.json   \
/mnt/workspace/llama3-datasets/alpaca_zh-llama3-valid.json   \
/path/to/pretraining/checkpoint  \
10000  \
100   \
/mnt/workspace/output_mcore_llama3_1

export MP_DATASET_TYPE="raw"
cd /mnt/workspace/Pai-Megatron-Patch/examples/llama3_1
sh run_mcore_llama3_1.sh  \
dlc  \
8B   \
1    \
8 \
1e-5   \
1e-6   \
128  \
128  \
bf16  \
4   \
2  \
1 \
true \
true   \
true \
true \
false   \
false \
100000  \
/mnt/workspace/llama3-datasets/alpaca_zh-llama3-train.json   \
/mnt/workspace/llama3-datasets/alpaca_zh-llama3-valid.json   \
/path/to/pretraining/checkpoint  \
10000  \
100   \
/mnt/workspace/output_mcore_llama3_1

步骤五：下游任务评估

您需要将已训练好的Megatron-Core格式模型转换为HuggingFace格式。具体操作步骤如下：

1. 请将模型路径/mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B/mcore-tp4-pp2中的JSON文件拷贝至mnt/workspace/output_mcore_llama3_1/checkpoint/pretrain-mcore-llama3-1-8B-****目录下，以保证模型可以正常使用。

   说明

   请替换为您的实际路径。

2. 在Terminal中执行以下命令，将训练生成的模型转换成Huggingface格式的模型。

   cd /mnt/workspace/Pai-Megatron-Patch/toolkits/model_checkpoints_convertor/llama
   bash hf2mcore_convertor_llama3_1.sh \
   8B \
   /mnt/workspace/output_mcore_llama3_1/checkpoint/pretrain-mcore-llama3-1-8B-****    \
   /mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B/hf-from-mg  \
   4  \
   2  \
   true \
   true \
   false \
   bf16 \
   /mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B

   其中运行hf2mcore_convertor_llama3_1.sh脚本需要传入的参数说明，请参见Megatron-Core模型格式转换。

3. 评估模型效果。

   1. 在Terminal中执行以下命令，下载评估数据。

      # In container
      cd /workspace
      
      wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/evaluation-datasets/evaluate.tgz 
      wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/evaluation-datasets/cmmlu.tgz 
      wget https://atp-modelzoo-wlcb-pai.oss-cn-wulanchabu.aliyuncs.com/release/models/pai-megatron-patch/evaluation-datasets/ceval.tgz 
      
      tar -xvzf cmmlu.tgz 
      tar -xvzf ceval.tgz 
      tar -xvzf evaluate.tgz

   2. 运行以下命令，对转换后的模型进行评估。

      cd /mnt/workspace/Pai-Megatron-Patch/LM-Evaluation-Harness-240310
      accelerate launch --main_process_port 29051 -m lm_eval \
      --model hf \
      --model_args pretrained=/mnt/workspace/llama3-ckpts/Meta-Llama-3.1-8B/hf-from-mg,trust_remote_code=True \
      --tasks cmmlu,ceval-valid  \
      --batch_size 16

步骤六：部署及调用在线模型服务

完成离线推理并评估完成模型效果后，您可以将转换为Huggingface格式的模型部署为在线服务，并在实际的生产环境中调用，从而进行推理实践。具体操作步骤如下：

部署模型服务

1. 进入模型在线服务（EAS）页面。

   1. 登录PAI控制台。

   2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。

   3. 在工作空间页面的左侧导航栏选择模型部署>模型在线服务（EAS），进入模型在线服务（EAS）页面。

2. 在模型在线服务（EAS）页面，单击部署服务，在自定义模型部署区域单击自定义部署。

3. 在新建服务页面配置以下关键参数，其他参数取默认配置即可。

   参数		描述
   模型服务信息	服务名称	自定义模型服务名称，同地域内唯一。本方案配置为：test_llama3_1_8b。
   	部署方式	选择镜像部署AI-Web应用。
   	镜像选择	选择镜像地址，在本文框中配置镜像地址eas-registry-vpc.cn-wulanchabu.cr.aliyuncs.com/pai-eas/chat-llm-webui:3.0.5-llama3.1，并选中阅读并同意PAI服务专用协议。
   	模型配置	单击填写模型配置，配置模型地址。挂载类型选择NAS挂载，并配置以下参数： NAS挂载点：选择创建数据集使用的NAS文件系统和挂载点。 NAS源路径：配置为存放在NAS中的转换后的Huggingface格式模型的路径。本方案配置为/llama3-ckpts/Meta-Llama-3.1-8B/hf-from-mg。 挂载路径：指定挂载后的路径，本方案配置为：/llama3.1-8b。
   	运行命令	运行命令：配置为python webui/webui_server.py --port=7860 --model-path=/llama3.1-8b --model-type=llama3。 其中配置的--model-path需要与模型配置中的挂载路径一致。 端口号：配置为7860。
   资源部署信息	资源组种类	选择公共资源组。
   	资源配置选择	本方案以Llama3.1-8B模型为例，推荐使用实例规格ml.gu7i.c16m60.1-gu30，性价比高。 说明 如果当前地域的资源不足，您还可以选择A10（ecs.gn7i-c8g1.2xlarge）类型的资源规格。
   专有网络配置	VPC	配置好NAS挂载点后，系统将自动匹配与预设的NAS文件系统一致的VPC、交换机和安全组。
   	交换机
   	安全组名称

4. 单击部署。

   当服务状态变为运行中时，表明服务部署成功。

调用服务

通过WebUI调用模型服务

服务成功部署后，您可以使用WebUI对该服务进行调试操作。具体操作步骤如下：

1. 在服务列表中，单击目标服务的服务方式列下的查看Web应用。

2. 在WebUI页面中，进行推理模型推理。

通过API调用模型服务

当您在WebUI页面调试好问答效果后，您可利用PAI所提供的API接口，将其集成到您的业务系统中。具体操作，请参见通过API调用EAS服务。

相关文档

您也可以通过PAI-快速开始（PAI-QuickStart）部署和微调Llama-3系列模型。详情请参见部署及微调Llama-3系列模型。