nanoGPT源码浅析（下）

train.py

train实现了多种模型训练、评估、优化、保存与加载（三类初始化、循环训练、损失评估、优化器、日志记录、可视化、梯度累积、梯度裁剪等）的方法。源码功能实现较为零散，未专门做封装，因此依照整理的顺序做代码拆解。

首先需要聊下文件configurator.py

for arg in sys.argv[1:]:
    if '=' not in arg:
        assert not arg.startswith('--')
        config_file = arg
        print(f"Overriding config with {config_file}:")
        with open(config_file) as f:
            print(f.read())
        exec(open(config_file).read())
    else:
        assert arg.startswith('--')
        key, val = arg.split('=')
        key = key[2:]
        if key in globals():
            try:
                attempt = literal_eval(val)
            except (SyntaxError, ValueError):
                attempt = val
            assert type(attempt) == type(globals()[key])
            print(f"Overriding: {key} = {attempt}")
            globals()[key] = attempt
        else:
            raise ValueError(f"Unknown config key: {key}")

检查参数是否包含等号（是否符合键值对形式），如果参数中不包含等号做配置文件处理，否则做键值对处理，最终实现配件文件覆盖全局超参（当然是为了后续赛博炼丹更方便）

config_keys = [k for k,v in globals().items() if not k.startswith('_') and isinstance(v, (int, float, bool, str))]
exec(open('configurator.py').read())
config = {k: globals()[k] for k in config_keys}

遍历globals，筛选出符合的变量，将键存储到config_keys列表。随后执行configurator.py对超参进行修改和覆盖，构建配置字典config。

接下来是模型初始化的一部分

ddp = int(os.environ.get('RANK', -1)) != -1 # is this a ddp run?
if ddp:
    init_process_group(backend=backend)
    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)
    master_process = ddp_rank == 0
    seed_offset = ddp_rank
    assert gradient_accumulation_steps % ddp_world_size == 0
    gradient_accumulation_steps //= ddp_world_size

首先检查是否有环境变量RANK（进程在分布式环境的唯一标识符）以判断当前是否属于DDP。如果属于DDP环境，则做对应初始化处理。使用指定后端初始化分布式进程组，获取当前进程rank、local_rank(GPU标识符)、world_size（进程总数），添加设置device、主进程判断与设置等，对每个进程生成不同偏移量（初始化随机），最后调整梯度累积步数（原始步数/进程数，处理相同量梯度更新）

else:
    master_process = True
    seed_offset = 0
    ddp_world_size = 1

若不是DDP,则置当前进程为主进程，同时不需要随机种子偏移量，总进程数置为1。

tokens_per_iter = gradient_accumulation_steps * ddp_world_size * batch_size * block_size

if master_process:
    os.makedirs(out_dir, exist_ok=True)
torch.manual_seed(1337 + seed_offset)
torch.backends.cuda.matmul.allow_tf32 = True
torch.backends.cudnn.allow_tf32 = True
device_type = 'cuda' if 'cuda' in device else 'cpu'
ptdtype = {'float32': torch.float32, 'bfloat16': torch.bfloat16, 'float16': torch.float16}[dtype]
ctx = nullcontext() if device_type == 'cpu' else torch.amp.autocast(device_type=device_type, dtype=ptdtype)

data_dir = os.path.join('data', dataset)
train_data = np.memmap(os.path.join(data_dir, 'train.bin'), dtype=np.uint16, mode='r')
val_data = np.memmap(os.path.join(data_dir, 'val.bin'), dtype=np.uint16, mode='r')

经前文判断和设置后计算迭代标记数（梯度累积步数、进程总数、批大小、块大小相乘），根据CPU或GPU创建输出目录、上下文，设置随机种子（固定值加随机种子偏移量）数据类型等属性，最后加载训练集和测试集数据并做内存映射。

def get_batch(split):
    data = train_data if split == 'train' else val_data
    ix = torch.randint(len(data) - block_size, (batch_size,))
    x = torch.stack([torch.from_numpy((data[i:i+block_size]).astype(np.int64)) for i in ix])
    y = torch.stack([torch.from_numpy((data[i+1:i+1+block_size]).astype(np.int64)) for i in ix])
    if device_type == 'cuda':
        x, y = x.pin_memory().to(device, non_blocking=True), y.pin_memory().to(device, non_blocking=True)
    else:
        x, y = x.to(device), y.to(device)
return x, y

meta_path = os.path.join(data_dir, 'meta.pkl')
meta_vocab_size = None
if os.path.exists(meta_path):
    with open(meta_path, 'rb') as f:
        meta = pickle.load(f)
    meta_vocab_size = meta['vocab_size']
    print(f"found vocab_size = {meta_vocab_size} (inside {meta_path})")

随机生成一个索引张量ix（预留一个块大小避免溢出）用作起始索引，随后以此取出对应的输入x、目标数据y切片，并通过stack按照时间序列压缩堆叠转换为张量。数据移动依然有两类操作，若为cuda则把数据放入gpu（pin_memory用于固定内存异步操作），否则放入指定设备。随后通过pickle序列化加载元数据文件并评估词表大小。

接下来是一段较长代码，从scratch（从零开始）、resume（恢复训练）、gpt-2（模型参数加载）中做初始化方式判断（配置文件参数设置）。

if init_from == 'scratch':
    print("Initializing a new model from scratch")
    if meta_vocab_size is None:
        print("defaulting to vocab_size of GPT-2 to 50304 (50257 rounded up for efficiency)")
    model_args['vocab_size'] = meta_vocab_size if meta_vocab_size is not None else 50304
    gptconf = GPTConfig(**model_args)
    model = GPT(gptconf)

若为scratch则首先确定词汇大小，使用参数字典model_args创建GPTConfig对象gptconf（参数），根据gptconf创建GPT对象model（模型）

elif init_from == 'resume':
    ckpt_path = os.path.join(out_dir, 'ckpt.pt')
    checkpoint = torch.load(ckpt_path, map_location=device)
    checkpoint_model_args = checkpoint['model_args']
    for k in ['n_layer', 'n_head', 'n_embd', 'block_size', 'bias', 'vocab_size']:
        model_args[k] = checkpoint_model_args[k]
    gptconf = GPTConfig(**model_args)
    model = GPT(gptconf)
    state_dict = checkpoint['model']
    unwanted_prefix = '_orig_mod.'
    for k,v in list(state_dict.items()):
        if k.startswith(unwanted_prefix):
            state_dict[k[len(unwanted_prefix):]] = state_dict.pop(k)
    model.load_state_dict(state_dict)
    iter_num = checkpoint['iter_num']
    best_val_loss = checkpoint['best_val_loss']

如果是resume方法，则会从检查点文件中回复先前参数、状态等信息。加载ckpt.pt文件后，从其中获取参数字典model_args，更新到当前字典，创建新gptconf（与scratch相似），随后通过startswith做参数名冲突检查和筛选、获取并更新先前迭代次数、最佳损失等信息

elif init_from.startswith('gpt2'):
    print(f"Initializing from OpenAI GPT-2 weights: {init_from}")
    override_args = dict(dropout=dropout)
    model = GPT.from_pretrained(init_from, override_args)
    for k in ['n_layer', 'n_head', 'n_embd', 'block_size', 'bias', 'vocab_size']:
        model_args[k] = getattr(model.config, k)

从OpenAI的GPT-2预训练模型中加载权重，使用from_pretrained传递和覆盖参数与超参数，很好理解，不再赘述。

if block_size < model.config.block_size:
    model.crop_block_size(block_size)
    model_args['block_size'] = block_size
model.to(device)

若块大小不匹配，则调用crop_block_size（上文提到的优化方法之一）来裁剪模型block_size并更新字典对应值，随后将模型移动至对应的device训练

scaler = torch.cuda.amp.GradScaler(enabled=(dtype == 'float16'))
optimizer = model.configure_optimizers(weight_decay, learning_rate, (beta1, beta2), device_type)
if init_from == 'resume':
    optimizer.load_state_dict(checkpoint['optimizer'])
checkpoint = None
if compile:
    unoptimized_model = model
    model = torch.compile(model)
if ddp:
    model = DDP(model, device_ids=[ddp_local_rank])

根据dtype是否为float16开闭梯度缩放（混合精度训练将部分计算转换低精度float16以提高训练效率和内存利用率，但会减少数值范围和表示精度，梯度缩放GradScaler可以在低精度做反向传播时自动乘以缩放因子缩放梯度再更新参数）。前文提到configure_optimizers()，这里根据超参做优化适配。如果初始化方法为resume，加载先前ckpt文件的优化器状态字典并更新。释放检查点空间后结合compile和ddp环境选择对应容器训练。

def estimate_loss():
    out = {}
    model.eval()
    for split in ['train', 'val']:
        losses = torch.zeros(eval_iters)
        for k in range(eval_iters):
            X, Y = get_batch(split)
            with ctx:
                logits, loss = model(X, Y)
            losses[k] = loss.item()
        out[split] = losses.mean()
    model.train()
    return out

该函数用以评估损失值。创建储存损失值的空字典out同时开启模型测试模式model.eval（不启用 Batch Normalization 和 Dropout。eval模式下前者停止计算和更新mean和var转而使用训练阶段已有的mean和var值，后者会终止dropout操作并启用所有激活单元），遍历训练集、验证集并创建大小为eval_iters的零张量losses。循环eval_iters次，获取每次迭代的输入x和目标数据y并进行前向传播（with ctx上下文管理器，处理混合精度训练、多线程），将损失值保存至losses。

全部评估完成后计算losses平均值并存储。

至于学习率，给出动态调整策略如下：

def get_lr(it):
    if it < warmup_iters:
        return learning_rate * it / warmup_iters
    if it > lr_decay_iters:
        return min_lr
    decay_ratio = (it - warmup_iters) / (lr_decay_iters - warmup_iters)
    assert 0 <= decay_ratio <= 1
    coeff = 0.5 * (1.0 + math.cos(math.pi * decay_ratio))
return min_lr + coeff * (learning_rate - min_lr)

若迭代次数it小于预热迭代次数warmup_iters则执行线性预热，learning_rate * it / warmup_iters（学习率从 0 线性增加到初始lr）。

若大于衰减迭代次数lr_decay_iters，则返回最小学习率 min_lr并不再进行衰减。

若在预热阶段和衰减阶段之间，采用余弦衰减（cosine decay）策略，从初始学习率平滑衰减到最小学习率。首先计算衰减比例decay_ratio（范围0到1）。随后对其进行余弦变换，得出系数coeff（范围仍为0到1）。最终的学习率为 min_lr + coeff * (learning_rate - min_lr)。

if wandb_log and master_process:
    import wandb
    wandb.init(project=wandb_project, name=wandb_run_name, config=config)

设置日志记录的相关配置，使用 WandB 来对主进程做日志记录并对模型训练可视化。

前面各种初始化、优化函数、分配策略设计结束，终于到训练环节

X, Y = get_batch('train')
t0 = time.time()
local_iter_num = 0
raw_model = model.module if ddp else model
running_mfu = -1.0
while True:
    lr = get_lr(iter_num) if decay_lr else learning_rate
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr
    if iter_num % eval_interval == 0 and master_process:
        losses = estimate_loss()
        print(f"step {iter_num}: train loss {losses['train']:.4f}, val loss {losses['val']:.4f}")
        if wandb_log:
            wandb.log({
                "iter": iter_num,
                "train/loss": losses['train'],
                "val/loss": losses['val'],
                "lr": lr,
                "mfu": running_mfu*100,
            })
        if losses['val'] < best_val_loss or always_save_checkpoint:
            best_val_loss = losses['val']
            if iter_num > 0:
                checkpoint = {
                    'model': raw_model.state_dict(),
                    'optimizer': optimizer.state_dict(),
                    'model_args': model_args,
                    'iter_num': iter_num,
                    'best_val_loss': best_val_loss,
                    'config': config,
                }
                print(f"saving checkpoint to {out_dir}")
                torch.save(checkpoint, os.path.join(out_dir, 'ckpt.pt'))
    if iter_num == 0 and eval_only:
        break

首先通过 get_batch获取训练集的第一个批数据，并将其存储在变量 X 和 Y 中，随后初始化t0、local_iter_num、raw_model等变量。

每次迭代根据迭代次数确定学习率（判断是否启用衰减），并设置优化器对应参数。eval_interval次迭代后计算训练集和验证集上的损失并记录在WandB上，根据损失值进一步更新模型最优权重和状态

 for micro_step in range(gradient_accumulation_steps):
        if ddp:
            model.require_backward_grad_sync = (micro_step == gradient_accumulation_steps - 1)
        with ctx:
            logits, loss = model(X, Y)
            loss = loss / gradient_accumulation_steps
        X, Y = get_batch('train')
        scaler.scale(loss).backward()
    if grad_clip != 0.0:
        scaler.unscale_(optimizer)
        torch.nn.utils.clip_grad_norm_(model.parameters(), grad_clip)
    scaler.step(optimizer)
    scaler.update()
    optimizer.zero_grad(set_to_none=True)

使用for循环迭代gradient_accumulation_steps次，在每次迭代中如果使用DDP则根据微批次 micro_step 设置梯度同步策略。

在ctx中前向传播得到logits和loss（loss除以步长缩放，避免梯度累积）。同时调用get_batch 异步获取下一批次的训练数据赋值给x、y。执行反向传播，对损失值进行梯度计算，并通过梯度裁剪函数clip_grad_norm_()裁剪（防止梯度爆炸）。执行优化器更新同时进行缩放操作。最后清空梯度，释放内存。

 t1 = time.time()
    dt = t1 - t0
    t0 = t1
    if iter_num % log_interval == 0 and master_process:
        lossf = loss.item() * gradient_accumulation_steps
        if local_iter_num >= 5: # let the training loop settle a bit
            mfu = raw_model.estimate_mfu(batch_size * gradient_accumulation_steps, dt)
            running_mfu = mfu if running_mfu == -1.0 else 0.9*running_mfu + 0.1*mfu
        print(f"iter {iter_num}: loss {lossf:.4f}, time {dt*1000:.2f}ms, mfu {running_mfu*100:.2f}%")
    iter_num += 1
    local_iter_num += 1
    if iter_num > max_iters:
        checkpoint = {
            'model': raw_model.state_dict(),
            'optimizer': optimizer.state_dict(),
            'model_args': model_args,
            'iter_num': iter_num,
            'best_val_loss': best_val_loss,
            'config': config,
        }
        print(f"saving checkpoint to {out_dir}")
        torch.save(checkpoint, os.path.join(out_dir, 'ckpt.pt'))
        break
if ddp:
destroy_process_group()

计算迭代时间 dt并更新计时器 t0，如果满足日志记录条件则输出当前迭代的损失值、时间以及每秒浮点运算数MFLOPs。随后更新迭代次数 iter_num 和本地迭代次数 local_iter_num，若为DDP则调用destroy_process_group()清理进程组。

迭代次数达到最大迭代次数max_iters后，保存模型和优化器状态到ckpt，跳出循环。

至此，训练结束。