紫苏
GitHub
parent
561979c7e3
commit
89011ebb3a
|
|
@ -0,0 +1,229 @@
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
|
||||||
|
__package__ = "trainer"
|
||||||
|
sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), '..')))
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import time
|
||||||
|
import math
|
||||||
|
import warnings
|
||||||
|
import torch
|
||||||
|
import torch.distributed as dist
|
||||||
|
from contextlib import nullcontext
|
||||||
|
from torch import optim, nn
|
||||||
|
from torch.nn.parallel import DistributedDataParallel
|
||||||
|
from torch.utils.data import DataLoader, DistributedSampler
|
||||||
|
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||||||
|
from model.model_minimind import MiniMindConfig, MiniMindForCausalLM
|
||||||
|
from dataset.lm_dataset import SFTDataset
|
||||||
|
|
||||||
|
warnings.filterwarnings('ignore')
|
||||||
|
|
||||||
|
|
||||||
|
def Logger(content):
|
||||||
|
if not ddp or dist.get_rank() == 0:
|
||||||
|
print(content)
|
||||||
|
|
||||||
|
|
||||||
|
def get_lr(current_step, total_steps, lr):
|
||||||
|
return lr / 10 + 0.5 * lr * (1 + math.cos(math.pi * current_step / total_steps))
|
||||||
|
|
||||||
|
|
||||||
|
def train_epoch(epoch, wandb, start_step=0):
|
||||||
|
loss_fct = nn.CrossEntropyLoss(reduction='none')
|
||||||
|
start_time = time.time()
|
||||||
|
for step, (X, Y, loss_mask) in enumerate(train_loader):
|
||||||
|
if step < start_step:
|
||||||
|
continue
|
||||||
|
X = X.to(args.device)
|
||||||
|
Y = Y.to(args.device)
|
||||||
|
loss_mask = loss_mask.to(args.device)
|
||||||
|
lr = get_lr(epoch * iter_per_epoch + step, args.epochs * iter_per_epoch, args.learning_rate)
|
||||||
|
for param_group in optimizer.param_groups:
|
||||||
|
param_group['lr'] = lr
|
||||||
|
|
||||||
|
with ctx:
|
||||||
|
res = model(X)
|
||||||
|
loss = loss_fct(
|
||||||
|
res.logits.view(-1, res.logits.size(-1)),
|
||||||
|
Y.view(-1)
|
||||||
|
).view(Y.size())
|
||||||
|
|
||||||
|
loss = (loss * loss_mask).sum() / loss_mask.sum()
|
||||||
|
loss += res.aux_loss
|
||||||
|
loss = loss / args.accumulation_steps
|
||||||
|
|
||||||
|
scaler.scale(loss).backward()
|
||||||
|
|
||||||
|
if (step + 1) % args.accumulation_steps == 0:
|
||||||
|
scaler.unscale_(optimizer)
|
||||||
|
torch.nn.utils.clip_grad_norm_(model.parameters(), args.grad_clip)
|
||||||
|
|
||||||
|
scaler.step(optimizer)
|
||||||
|
scaler.update()
|
||||||
|
|
||||||
|
optimizer.zero_grad(set_to_none=True)
|
||||||
|
|
||||||
|
if step % args.log_interval == 0:
|
||||||
|
spend_time = time.time() - start_time
|
||||||
|
Logger(
|
||||||
|
'Epoch:[{}/{}]({}/{}) loss:{:.3f} lr:{:.12f} epoch_Time:{}min:'.format(
|
||||||
|
epoch + 1,
|
||||||
|
args.epochs,
|
||||||
|
step,
|
||||||
|
iter_per_epoch,
|
||||||
|
loss.item() * args.accumulation_steps,
|
||||||
|
optimizer.param_groups[-1]['lr'],
|
||||||
|
spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60))
|
||||||
|
|
||||||
|
if (wandb is not None) and (not ddp or dist.get_rank() == 0):
|
||||||
|
wandb.log({"loss": loss * args.accumulation_steps,
|
||||||
|
"lr": optimizer.param_groups[-1]['lr'],
|
||||||
|
"epoch_Time": spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60})
|
||||||
|
|
||||||
|
if (step + 1) % args.save_interval == 0 and (not ddp or dist.get_rank() == 0):
|
||||||
|
model.eval()
|
||||||
|
moe_path = '_moe' if lm_config.use_moe else ''
|
||||||
|
ckp = f'{args.save_dir}/full_sft_{lm_config.hidden_size}{moe_path}.pth'
|
||||||
|
if isinstance(model, torch.nn.parallel.DistributedDataParallel):
|
||||||
|
state_dict = model.module.state_dict()
|
||||||
|
else:
|
||||||
|
state_dict = model.state_dict()
|
||||||
|
state_dict = {k: v.half() for k, v in state_dict.items()} # 半精度保存
|
||||||
|
torch.save(state_dict, ckp)
|
||||||
|
|
||||||
|
# 保存优化器状态、当前epoch和step
|
||||||
|
checkpoint = {
|
||||||
|
'epoch': epoch,
|
||||||
|
'step': step + 1,
|
||||||
|
'optimizer_state_dict': optimizer.state_dict(),
|
||||||
|
'scaler_state_dict': scaler.state_dict()
|
||||||
|
}
|
||||||
|
torch.save(checkpoint, f'{args.save_dir}/checkpoint.pth')
|
||||||
|
model.train()
|
||||||
|
|
||||||
|
|
||||||
|
def init_model(lm_config):
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained('../model')
|
||||||
|
model = MiniMindForCausalLM(lm_config)
|
||||||
|
moe_path = '_moe' if lm_config.use_moe else ''
|
||||||
|
ckp = f'{args.save_dir}/pretrain_{lm_config.hidden_size}{moe_path}.pth'
|
||||||
|
state_dict = torch.load(ckp, map_location=args.device)
|
||||||
|
model.load_state_dict(state_dict, strict=False)
|
||||||
|
|
||||||
|
Logger(f'LLM可训练总参数量：{sum(p.numel() for p in model.parameters() if p.requires_grad) / 1e6:.3f} 百万')
|
||||||
|
model = model.to(args.device)
|
||||||
|
return model, tokenizer
|
||||||
|
|
||||||
|
|
||||||
|
def init_distributed_mode():
|
||||||
|
if not ddp: return
|
||||||
|
global ddp_local_rank, DEVICE
|
||||||
|
|
||||||
|
dist.init_process_group(backend="nccl")
|
||||||
|
ddp_rank = int(os.environ["RANK"])
|
||||||
|
ddp_local_rank = int(os.environ["LOCAL_RANK"])
|
||||||
|
ddp_world_size = int(os.environ["WORLD_SIZE"])
|
||||||
|
DEVICE = f"cuda:{ddp_local_rank}"
|
||||||
|
torch.cuda.set_device(DEVICE)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
parser = argparse.ArgumentParser(description="MiniMind Full SFT")
|
||||||
|
parser.add_argument("--out_dir", type=str, default="../out")
|
||||||
|
parser.add_argument("--epochs", type=int, default=2)
|
||||||
|
parser.add_argument("--batch_size", type=int, default=16)
|
||||||
|
parser.add_argument("--learning_rate", type=float, default=5e-7)
|
||||||
|
parser.add_argument("--device", type=str, default="cuda:0" if torch.cuda.is_available() else "cpu")
|
||||||
|
parser.add_argument("--dtype", type=str, default="bfloat16")
|
||||||
|
parser.add_argument("--use_wandb", action="store_true")
|
||||||
|
parser.add_argument("--wandb_project", type=str, default="MiniMind-Full-SFT")
|
||||||
|
parser.add_argument("--num_workers", type=int, default=1)
|
||||||
|
parser.add_argument("--ddp", action="store_true")
|
||||||
|
parser.add_argument("--accumulation_steps", type=int, default=1)
|
||||||
|
parser.add_argument("--grad_clip", type=float, default=1.0)
|
||||||
|
parser.add_argument("--warmup_iters", type=int, default=0)
|
||||||
|
parser.add_argument("--log_interval", type=int, default=100)
|
||||||
|
parser.add_argument("--save_interval", type=int, default=100)
|
||||||
|
parser.add_argument('--local_rank', type=int, default=-1)
|
||||||
|
parser.add_argument('--hidden_size', default=512, type=int)
|
||||||
|
parser.add_argument('--num_hidden_layers', default=8, type=int)
|
||||||
|
parser.add_argument('--max_seq_len', default=512, type=int)
|
||||||
|
parser.add_argument('--use_moe', default=False, type=bool)
|
||||||
|
parser.add_argument("--data_path", type=str, default="../dataset/sft_mini_512.jsonl")
|
||||||
|
parser.add_argument("--resume", action="store_true", help="Resume training from checkpoint")
|
||||||
|
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
lm_config = MiniMindConfig(hidden_size=args.hidden_size, num_hidden_layers=args.num_hidden_layers,
|
||||||
|
use_moe=args.use_moe)
|
||||||
|
args.save_dir = os.path.join(args.out_dir)
|
||||||
|
os.makedirs(args.save_dir, exist_ok=True)
|
||||||
|
os.makedirs(args.out_dir, exist_ok=True)
|
||||||
|
tokens_per_iter = args.batch_size * args.max_seq_len
|
||||||
|
device_type = "cuda" if "cuda" in args.device else "cpu"
|
||||||
|
|
||||||
|
args.wandb_run_name = f"MiniMind-Full-SFT-Epoch-{args.epochs}-BatchSize-{args.batch_size}-LearningRate-{args.learning_rate}"
|
||||||
|
|
||||||
|
ctx = nullcontext() if device_type == "cpu" else torch.cuda.amp.autocast()
|
||||||
|
ddp = int(os.environ.get("RANK", -1)) != -1 # is this a ddp run?
|
||||||
|
ddp_local_rank, DEVICE = 0, "cuda:0"
|
||||||
|
base_seed = 1337
|
||||||
|
torch.manual_seed(base_seed)
|
||||||
|
torch.cuda.manual_seed(base_seed)
|
||||||
|
|
||||||
|
if ddp:
|
||||||
|
init_distributed_mode()
|
||||||
|
args.device = torch.device(DEVICE)
|
||||||
|
rank = dist.get_rank()
|
||||||
|
torch.manual_seed(base_seed + rank)
|
||||||
|
# 同时设置 CUDA 的随机种子
|
||||||
|
torch.cuda.manual_seed(base_seed + rank)
|
||||||
|
|
||||||
|
if args.use_wandb and (not ddp or ddp_local_rank == 0):
|
||||||
|
import wandb
|
||||||
|
|
||||||
|
wandb.init(project=args.wandb_project, name=args.wandb_run_name)
|
||||||
|
else:
|
||||||
|
wandb = None
|
||||||
|
|
||||||
|
model, tokenizer = init_model(lm_config)
|
||||||
|
|
||||||
|
train_ds = SFTDataset(args.data_path, tokenizer, max_length=args.max_seq_len)
|
||||||
|
train_sampler = DistributedSampler(train_ds) if ddp else None
|
||||||
|
train_loader = DataLoader(
|
||||||
|
train_ds,
|
||||||
|
batch_size=args.batch_size,
|
||||||
|
pin_memory=True,
|
||||||
|
drop_last=False,
|
||||||
|
shuffle=False,
|
||||||
|
num_workers=args.num_workers,
|
||||||
|
sampler=train_sampler
|
||||||
|
)
|
||||||
|
|
||||||
|
scaler = torch.cuda.amp.GradScaler(enabled=(args.dtype in ['float16', 'bfloat16']))
|
||||||
|
optimizer = optim.AdamW(model.parameters(), lr=args.learning_rate)
|
||||||
|
|
||||||
|
if ddp:
|
||||||
|
model._ddp_params_and_buffers_to_ignore = {"pos_cis"}
|
||||||
|
model = DistributedDataParallel(model, device_ids=[ddp_local_rank])
|
||||||
|
|
||||||
|
iter_per_epoch = len(train_loader)
|
||||||
|
|
||||||
|
start_epoch = 0
|
||||||
|
start_step = 0
|
||||||
|
if args.resume:
|
||||||
|
checkpoint_path = f'{args.save_dir}/checkpoint.pth'
|
||||||
|
if os.path.exists(checkpoint_path):
|
||||||
|
checkpoint = torch.load(checkpoint_path)
|
||||||
|
start_epoch = checkpoint['epoch']
|
||||||
|
start_step = checkpoint['step']
|
||||||
|
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
|
||||||
|
scaler.load_state_dict(checkpoint['scaler_state_dict'])
|
||||||
|
Logger(f"Resuming training from epoch {start_epoch + 1}, step {start_step}")
|
||||||
|
else:
|
||||||
|
Logger("Checkpoint not found, starting training from scratch.")
|
||||||
|
|
||||||
|
for epoch in range(start_epoch, args.epochs):
|
||||||
|
train_epoch(epoch, wandb, start_step if epoch == start_epoch else 0)
|
||||||
|
|
@ -0,0 +1,234 @@
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
__package__ = "trainer"
|
||||||
|
sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), '..')))
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import time
|
||||||
|
import math
|
||||||
|
import warnings
|
||||||
|
import torch
|
||||||
|
import torch.distributed as dist
|
||||||
|
from torch import optim, nn
|
||||||
|
from torch.nn.parallel import DistributedDataParallel
|
||||||
|
from torch.utils.data import DataLoader, DistributedSampler
|
||||||
|
from contextlib import nullcontext
|
||||||
|
from transformers import AutoTokenizer
|
||||||
|
from model.model_minimind import MiniMindConfig, MiniMindForCausalLM
|
||||||
|
from dataset.lm_dataset import PretrainDataset
|
||||||
|
|
||||||
|
warnings.filterwarnings('ignore')
|
||||||
|
|
||||||
|
|
||||||
|
def Logger(content):
|
||||||
|
if not ddp or dist.get_rank() == 0:
|
||||||
|
print(content)
|
||||||
|
|
||||||
|
|
||||||
|
def get_lr(current_step, total_steps, lr):
|
||||||
|
return lr / 10 + 0.5 * lr * (1 + math.cos(math.pi * current_step / total_steps))
|
||||||
|
|
||||||
|
loss_fct = nn.CrossEntropyLoss(reduction='none')
|
||||||
|
|
||||||
|
def train_epoch(epoch, start_step, wandb):
|
||||||
|
start_time = time.time()
|
||||||
|
if epoch == start_epoch:
|
||||||
|
train_loader_iter = iter(train_loader)
|
||||||
|
for _ in range(start_step + 1):
|
||||||
|
next(train_loader_iter)
|
||||||
|
for step, (X, Y, loss_mask) in enumerate(train_loader_iter, start=start_step + 1):
|
||||||
|
train_step(epoch, step, X, Y, loss_mask, wandb, start_time)
|
||||||
|
else:
|
||||||
|
for step, (X, Y, loss_mask) in enumerate(train_loader):
|
||||||
|
train_step(epoch, step, X, Y, loss_mask, wandb, start_time)
|
||||||
|
|
||||||
|
|
||||||
|
def train_step(epoch, step, X, Y, loss_mask, wandb, start_time):
|
||||||
|
X = X.to(args.device)
|
||||||
|
Y = Y.to(args.device)
|
||||||
|
loss_mask = loss_mask.to(args.device)
|
||||||
|
|
||||||
|
lr = get_lr(epoch * iter_per_epoch + step, args.epochs * iter_per_epoch, args.learning_rate)
|
||||||
|
for param_group in optimizer.param_groups:
|
||||||
|
param_group['lr'] = lr
|
||||||
|
|
||||||
|
with ctx:
|
||||||
|
res = model(X)
|
||||||
|
loss = loss_fct(
|
||||||
|
res.logits.view(-1, res.logits.size(-1)),
|
||||||
|
Y.view(-1)
|
||||||
|
).view(Y.size())
|
||||||
|
loss = (loss * loss_mask).sum() / loss_mask.sum()
|
||||||
|
loss += res.aux_loss
|
||||||
|
loss = loss / args.accumulation_steps
|
||||||
|
|
||||||
|
scaler.scale(loss).backward()
|
||||||
|
|
||||||
|
if (step + 1) % args.accumulation_steps == 0:
|
||||||
|
scaler.unscale_(optimizer)
|
||||||
|
torch.nn.utils.clip_grad_norm_(model.parameters(), args.grad_clip)
|
||||||
|
|
||||||
|
scaler.step(optimizer)
|
||||||
|
scaler.update()
|
||||||
|
|
||||||
|
optimizer.zero_grad(set_to_none=True)
|
||||||
|
|
||||||
|
if step % args.log_interval == 0:
|
||||||
|
spend_time = time.time() - start_time
|
||||||
|
Logger(
|
||||||
|
'Epoch:[{}/{}]({}/{}) loss:{:.3f} lr:{:.12f} epoch_Time:{}min:'.format(
|
||||||
|
epoch + 1,
|
||||||
|
args.epochs,
|
||||||
|
step,
|
||||||
|
iter_per_epoch,
|
||||||
|
loss.item() * args.accumulation_steps,
|
||||||
|
optimizer.param_groups[-1]['lr'],
|
||||||
|
spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60))
|
||||||
|
|
||||||
|
if (wandb is not None) and (not ddp or dist.get_rank() == 0):
|
||||||
|
wandb.log({"loss": loss.item() * args.accumulation_steps,
|
||||||
|
"lr": optimizer.param_groups[-1]['lr'],
|
||||||
|
"epoch_Time": spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60})
|
||||||
|
|
||||||
|
if (step + 1) % args.save_interval == 0 and (not ddp or dist.get_rank() == 0):
|
||||||
|
model.eval()
|
||||||
|
moe_path = '_moe' if lm_config.use_moe else ''
|
||||||
|
ckp = f'{args.save_dir}/pretrain_{lm_config.hidden_size}{moe_path}.pth'
|
||||||
|
|
||||||
|
if isinstance(model, torch.nn.parallel.DistributedDataParallel):
|
||||||
|
state_dict = model.module.state_dict()
|
||||||
|
else:
|
||||||
|
state_dict = model.state_dict()
|
||||||
|
|
||||||
|
state_dict = {k: v.half() for k, v in state_dict.items()} # 半精度保存
|
||||||
|
torch.save(state_dict, ckp)
|
||||||
|
|
||||||
|
# 保存训练状态
|
||||||
|
training_state = {
|
||||||
|
'epoch': epoch,
|
||||||
|
'step': step,
|
||||||
|
'optimizer_state_dict': optimizer.state_dict(),
|
||||||
|
'scaler_state_dict': scaler.state_dict() if scaler is not None else None
|
||||||
|
}
|
||||||
|
training_state_path = f'{args.save_dir}/training_state.pth'
|
||||||
|
torch.save(training_state, training_state_path)
|
||||||
|
|
||||||
|
model.train()
|
||||||
|
|
||||||
|
|
||||||
|
def init_model(lm_config):
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained('../model/')
|
||||||
|
model = MiniMindForCausalLM(lm_config).to(args.device)
|
||||||
|
Logger(f'LLM可训练总参数量：{sum(p.numel() for p in model.parameters() if p.requires_grad) / 1e6:.3f} 百万')
|
||||||
|
return model, tokenizer
|
||||||
|
|
||||||
|
|
||||||
|
def init_distributed_mode():
|
||||||
|
if not ddp: return
|
||||||
|
global ddp_local_rank, DEVICE
|
||||||
|
|
||||||
|
dist.init_process_group(backend="nccl")
|
||||||
|
ddp_rank = int(os.environ["RANK"])
|
||||||
|
ddp_local_rank = int(os.environ["LOCAL_RANK"])
|
||||||
|
ddp_world_size = int(os.environ["WORLD_SIZE"])
|
||||||
|
DEVICE = f"cuda:{ddp_local_rank}"
|
||||||
|
torch.cuda.set_device(DEVICE)
|
||||||
|
|
||||||
|
|
||||||
|
# torchrun --nproc_per_node 2 1-pretrain.py
|
||||||
|
if __name__ == "__main__":
|
||||||
|
# 命令行参数解析
|
||||||
|
parser = argparse.ArgumentParser(description="MiniMind Pretraining")
|
||||||
|
parser.add_argument("--out_dir", type=str, default="../out") # 输出目录
|
||||||
|
parser.add_argument("--epochs", type=int, default=8) # 训练轮次
|
||||||
|
parser.add_argument("--batch_size", type=int, default=8) # 物理批次大小
|
||||||
|
parser.add_argument("--learning_rate", type=float, default=5e-4)
|
||||||
|
parser.add_argument("--device", type=str, default="cuda:0" if torch.cuda.is_available() else "cpu")
|
||||||
|
parser.add_argument("--dtype", type=str, default="bfloat16") # 混合精度类型
|
||||||
|
parser.add_argument("--use_wandb", action="store_true") # 是否使用WandB
|
||||||
|
parser.add_argument("--wandb_project", type=str, default="MiniMind-Pretrain")
|
||||||
|
parser.add_argument("--num_workers", type=int, default=1) # 数据加载线程数
|
||||||
|
parser.add_argument("--ddp", action="store_true") # 是否启用DDP
|
||||||
|
parser.add_argument("--accumulation_steps", type=int, default=4) # 梯度累积步数
|
||||||
|
parser.add_argument("--grad_clip", type=float, default=1.0) # 梯度裁剪阈值
|
||||||
|
parser.add_argument("--log_interval", type=int, default=100) # 日志间隔（步）
|
||||||
|
parser.add_argument("--save_interval", type=int, default=100) # 保存间隔（步）
|
||||||
|
parser.add_argument('--local_rank', type=int, default=-1) # DDP自动传入参数
|
||||||
|
# 模型架构参数
|
||||||
|
parser.add_argument('--hidden_size', default=512, type=int) # 隐藏层维度
|
||||||
|
parser.add_argument('--num_hidden_layers', default=8, type=int) # 层数
|
||||||
|
parser.add_argument('--max_seq_len', default=4096, type=int) # 序列长度
|
||||||
|
parser.add_argument('--use_moe', default=False, type=bool) # 是否使用MoE
|
||||||
|
parser.add_argument("--data_path", type=str, default="../dataset/pretrain_hq.jsonl")
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
lm_config = MiniMindConfig(hidden_size=args.hidden_size, num_hidden_layers=args.num_hidden_layers, use_moe=args.use_moe)
|
||||||
|
args.save_dir = os.path.join(args.out_dir)
|
||||||
|
os.makedirs(args.save_dir, exist_ok=True)
|
||||||
|
os.makedirs(args.out_dir, exist_ok=True)
|
||||||
|
tokens_per_iter = args.batch_size * args.max_seq_len
|
||||||
|
device_type = "cuda" if "cuda" in args.device else "cpu"
|
||||||
|
|
||||||
|
args.wandb_run_name = f"MiniMind-Pretrain-Epoch-{args.epochs}-BatchSize-{args.batch_size}-LearningRate-{args.learning_rate}"
|
||||||
|
|
||||||
|
ctx = nullcontext() if device_type == "cpu" else torch.cuda.amp.autocast()
|
||||||
|
|
||||||
|
ddp = int(os.environ.get("RANK", -1)) != -1 # is this a ddp run?
|
||||||
|
ddp_local_rank, DEVICE = 0, "cuda:0"
|
||||||
|
|
||||||
|
base_seed = 1337
|
||||||
|
torch.manual_seed(base_seed)
|
||||||
|
torch.cuda.manual_seed(base_seed)
|
||||||
|
|
||||||
|
if ddp:
|
||||||
|
init_distributed_mode()
|
||||||
|
args.device = torch.device(DEVICE)
|
||||||
|
rank = dist.get_rank()
|
||||||
|
torch.manual_seed(base_seed + rank)
|
||||||
|
# 同时设置 CUDA 的随机种子
|
||||||
|
torch.cuda.manual_seed(base_seed + rank)
|
||||||
|
|
||||||
|
if args.use_wandb and (not ddp or ddp_local_rank == 0):
|
||||||
|
import wandb
|
||||||
|
|
||||||
|
wandb.init(project=args.wandb_project, name=args.wandb_run_name)
|
||||||
|
else:
|
||||||
|
wandb = None
|
||||||
|
|
||||||
|
model, tokenizer = init_model(lm_config)
|
||||||
|
train_ds = PretrainDataset(args.data_path, tokenizer, max_length=args.max_seq_len)
|
||||||
|
train_sampler = DistributedSampler(train_ds) if ddp else None
|
||||||
|
train_loader = DataLoader(
|
||||||
|
train_ds,
|
||||||
|
batch_size=args.batch_size,
|
||||||
|
pin_memory=True,
|
||||||
|
drop_last=False,
|
||||||
|
shuffle=False,
|
||||||
|
num_workers=args.num_workers,
|
||||||
|
sampler=train_sampler
|
||||||
|
)
|
||||||
|
|
||||||
|
scaler = torch.cuda.amp.GradScaler(enabled=(args.dtype in ['float16', 'bfloat16']))
|
||||||
|
optimizer = optim.AdamW(model.parameters(), lr=args.learning_rate)
|
||||||
|
|
||||||
|
if ddp:
|
||||||
|
model._ddp_params_and_buffers_to_ignore = {"pos_cis"}
|
||||||
|
model = DistributedDataParallel(model, device_ids=[ddp_local_rank])
|
||||||
|
|
||||||
|
iter_per_epoch = len(train_loader)
|
||||||
|
|
||||||
|
# 检查是否存在保存的训练状态文件
|
||||||
|
training_state_path = f'{args.save_dir}/training_state.pth'
|
||||||
|
if os.path.exists(training_state_path):
|
||||||
|
training_state = torch.load(training_state_path)
|
||||||
|
start_epoch = training_state['epoch']
|
||||||
|
start_step = training_state['step']
|
||||||
|
optimizer.load_state_dict(training_state['optimizer_state_dict'])
|
||||||
|
if scaler is not None and training_state['scaler_state_dict'] is not None:
|
||||||
|
scaler.load_state_dict(training_state['scaler_state_dict'])
|
||||||
|
else:
|
||||||
|
start_epoch = 0
|
||||||
|
start_step = 0
|
||||||
|
|
||||||
|
for epoch in range(start_epoch, args.epochs):
|
||||||
|
train_epoch(epoch, start_step if epoch == start_epoch else 0, wandb)
|
||||||
Loading…
Reference in New Issue