最近在调试deepspeed进行训练,正好工作的项目中也用到了deepspeed,所以记录一下deepspeed的用法等。
pytorch 的DDP比较复杂,所以简单易用的deepspeed应运而生。
本文仍然是不完整的,随着学习将会持续更新内容。
Deepspeed使用
目前只使用过单机多卡的情况,故本文主要介绍单机多卡的使用。
尝试过类似命令行
deepspeed --num_gpus=2 your_program.py <normal cl args> --deepspeed ds_config.json
类似的方法,但是这样配置使用的GPU的时候会莫名报错,很麻烦,所以最终选择了如下的使用方法,简洁方便:
1、第一步是需要有一个deepspeed 的config文件,有很多策略,比如说zero2、zero3等,这里面参数很多,想具体看的话可以去官方文档详细学习,这里我就是用的一个zero3,一般是可以通用的配置:
{
"bf16": {
"enabled": "auto"
},
"optimizer": {
"type": "AdamW",
"params": {
"lr": "auto",
"betas": "auto",
"eps": "auto",
"weight_decay": "auto"
}
},
"scheduler": {
"type": "WarmupLR",
"params": {
"warmup_min_lr": "auto",
"warmup_max_lr": "auto",
"warmup_num_steps": "auto"
}
},
"zero_optimization": {
"stage": 3,
"offload_optimizer": {
"device": "cpu",
"pin_memory": true
},
"offload_param": {
"device": "cpu",
"pin_memory": true
},
"overlap_comm": true,
"contiguous_gradients": true,
"sub_group_size": 1e9,
"reduce_bucket_size": "auto",
"stage3_prefetch_bucket_size": "auto",
"stage3_param_persistence_threshold": "auto",
"stage3_max_live_parameters": 1e9,
"stage3_max_reuse_distance": 1e9,
"stage3_gather_16bit_weights_on_model_save": true
},
"gradient_accumulation_steps": "auto",
"gradient_clipping": "auto",
"steps_per_print": 20,
"train_batch_size": "auto",
"train_micro_batch_size_per_gpu": "auto",
"wall_clock_breakdown": false
}
2、在你的args里加入config:如下
TrainingArguments(..., deepspeed= "/path/to/ds_config.json" )
3、最后一步:
命令行中输入如下,就可以运行啦,其中的1,2代表你要使用的gpu
deepspeed --include localhost:1,2 train_lora.py