Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Die Referenz zur SageMaker Modellparallelbibliothek v2
Im Folgenden finden Sie Referenzen für die SageMaker Model Parallel Library v2 (SMP v2).
Themen
Konfigurationsparameter für die Kernfunktion von SMP v2
Im Folgenden finden Sie eine vollständige Liste der Parameter zur Aktivierung und Konfiguration von. Kernfunktionen der SageMaker Modellparallelitätsbibliothek v2 Diese müssen im JSON-Format geschrieben und an den PyTorch Schätzer im SageMaker Python-SDK übergeben oder als JSON-Datei für SageMaker HyperPod gespeichert werden.
{ "hybrid_shard_degree":
Integer
, "sm_activation_offloading":Boolean
, "activation_loading_horizon":Integer
, "fsdp_cache_flush_warnings":Boolean
, "allow_empty_shards":Boolean
, "tensor_parallel_degree":Integer
, "expert_parallel_degree":Integer
, "random_seed":Integer
}
-
hybrid_shard_degree
(Integer) — Gibt einen Grad der Shard-Parallelität an. Der Wert muss eine Ganzzahl zwischen und sein.0
world_size
Der Standardwert ist0
.-
Wenn auf gesetzt
0
, wird auf die native PyTorch Implementierung und API im Skript zurückgegriffen, wenn der Wert 1tensor_parallel_degree
ist. Andernfalls berechnet es den größtmöglichen Wert auf derhybrid_shard_degree
Grundlage vontensor_parallel_degree
undworld_size
. Wenn Sie auf die nativen PyTorch FSDP-Anwendungsfälle zurückgreifen und diese Strategie verwenden, verteilt sieFULL_SHARD
sich auf den gesamten GPU-Cluster. WennHYBRID_SHARD
oder_HYBRID_SHARD_ZERO2
war die Strategie, entsprichthybrid_shard_degree
sie 8 Wenn die Tensorparallelität aktiviert ist, wird sie auf der Grundlage der überarbeiteten Version fragmentiert.hybrid_shard_degree
-
Wenn auf gesetzt
1
, wird auf die native PyTorch Implementierung und die APINO_SHARD
im Skript zurückgegriffen, wenn der Wert 1 ist.tensor_parallel_degree
Andernfalls entspricht esNO_SHARD
innerhalb einer beliebigen Tensorparallelgruppe. -
Wenn auf eine Ganzzahl zwischen 2 und gesetzt
world_size
, erfolgt das Sharding für die angegebene Anzahl von GPUs. Wenn Sie es nichtsharding_strategy
im FSDP-Skript einrichten, wird es überschrieben.HYBRID_SHARD
Wenn Sie festlegen_HYBRID_SHARD_ZERO2
, wird das vonsharding_strategy
Ihnen angegebene verwendet.
-
-
sm_activation_offloading
(Boolean) — Gibt an, ob die Implementierung des SMP-Aktivierungsauslagers aktiviert werden soll. FallsFalse
, wird beim Offloading die native Implementierung verwendet. PyTorch FallsTrue
, wird die Implementierung des SMP-Aktivierungsauslagers verwendet. Sie müssen auch den PyTorch Aktivierungs-Offload-Wrapper (torch.distributed.algorithms._checkpoint.checkpoint_wrapper.offload_wrapper
) in Ihrem Skript verwenden. Weitere Informationen hierzu finden Sie unter Aktivierung, Entladung. Der Standardwert istTrue
. -
activation_loading_horizon
(Integer) — Eine Ganzzahl, die den Typ des Aktivierungs-Offloading-Horizonts für FSDP angibt. Dies ist die maximale Anzahl von Ebenen mit Checkpoints oder Offloaded, deren Eingänge sich gleichzeitig im GPU-Speicher befinden können. Weitere Informationen hierzu finden Sie unter Aktivierung, Entladung. Der Eingabewert muss eine positive Ganzzahl sein. Der Standardwert ist2
. -
fsdp_cache_flush_warnings
(Boolean) — Erkennt und warnt, wenn Cache-Leerungen im PyTorch Speichermanager auftreten, da sie die Rechenleistung beeinträchtigen können. Der Standardwert istTrue
. -
allow_empty_shards
(Boolean) — Ob beim Sharden von Tensoren leere Shards zulässig sind, wenn der Tensor nicht teilbar ist. Dies ist eine experimentelle Lösung für Abstürze beim Checkpointing in bestimmten Szenarien. Wenn Sie dies deaktivieren, wird auf das ursprüngliche PyTorch Verhalten zurückgegriffen. Der Standardwert istFalse
. -
tensor_parallel_degree
(Integer) — Gibt den Grad der Tensorparallelität an. Der Wert muss zwischen und liegen.1
world_size
Der Standardwert ist1
. Die Übergabe eines Werts größer als 1 aktiviert die Tensorparallelität nicht automatisch. Sie müssen auch die torch.sagemaker.transform API verwenden, um das Modell in Ihr Trainingsskript einzubinden. Weitere Informationen hierzu finden Sie unter Tensor-Parallelität. -
expert_parallel_degree
(Integer) — Gibt den Grad der Parallelität für Experten an. Der Wert muss zwischen 1 und liegen.world_size
Der Standardwert ist1
. Wenn Sie einen Wert größer als 1 übergeben, wird Expertenparallelität nicht automatisch aktiviert. Stellen Sie sicher, dass Sie das MoE-Modell mit der torch.sagemaker.transform API in Ihr Trainingsskript integrieren. -
random_seed
(Integer) — Eine Startzahl für zufällige Operationen in verteilten Modulen nach SMP-Tensorparallelismus oder Expertenparallelismus. Dieser Startwert wird zu den tensorparallelen oder expertenparallelen Rängen hinzugefügt, um den tatsächlichen Startwert für jeden Rang festzulegen. Es ist für jeden tensorparallelen und expertenparallelen Rang einzigartig. SMP v2 stellt sicher, dass die Zufallszahl, die über tensorparallele und expertenparallele Ränge generiert wird, den jeweiligen Fällen entspricht. non-tensor-parallelism non-expert-parallelism
Referenz für das SMP v2-Paket torch.sagemaker
Dieser Abschnitt ist eine Referenz für das von SMP v2 bereitgestellte torch.sagemaker
Paket.
Themen
- torch.sagemaker.delayed_param.DelayedParamIniter
- torch.sagemaker.moe.moe_config.MoEConfig
- torch.sagemaker.nn.attn.FlashSelfAttention
- torch.sagemaker.nn.attn.FlashGroupedQueryAttention
- torch.sagemaker.nn.huggingface.llama_flashattn.LlamaFlashAttention
- torch.sagemaker.transform
- torch.sagemakerFunktionen und Eigenschaften von Util
torch.sagemaker.delayed_param.DelayedParamIniter
Eine API zur Anwendung Verzögerte Parameterinitialisierung auf ein PyTorch Modell.
class torch.sagemaker.delayed_param.DelayedParamIniter( model: nn.Module, init_method_using_config : Callable = None, verbose: bool = False, )
Parameter
-
model
(nn.Module
) — Ein PyTorch Modell zum Umschließen und Anwenden der verzögerten Parameterinitialisierungsfunktion von SMP v2. -
init_method_using_config
(Callable) — Wenn Sie die parallel Tensor-Implementierung von SMP v2 oder unterstützt verwendenHugging Face Transformer-Modelle, die mit der SMP-Tensorparallelität kompatibel sind, behalten Sie für diesen Parameter den Standardwert bei, der lautet.None
Standardmäßig findet dieDelayedParamIniter
API heraus, wie das angegebene Modell korrekt initialisiert wird. Für alle anderen Modelle müssen Sie eine benutzerdefinierte Parameter-Initialisierungsfunktion erstellen und sie Ihrem Skript hinzufügen. Der folgende Codeausschnitt ist dieinit_method_using_config
Standardfunktion, die SMP v2 für die implementiert hat. Hugging Face Transformer-Modelle, die mit der SMP-Tensorparallelität kompatibel sind Verwenden Sie den folgenden Codeausschnitt als Referenz, um Ihre eigene Initialisierungskonfigurationsfunktion zu erstellen, sie Ihrem Skript hinzuzufügen und sie an den Parameter derinit_method_using_config
SMP-API zu übergeben.DelayedParamIniter
from torch.sagemaker.utils.module_utils import empty_module_params, move_buffers_to_device # Define a custom init config function. def
custom_init_method_using_config
(module): d = torch.cuda.current_device() empty_module_params(module, device=d) if isinstance(module, (nn.Linear, Conv1D)): module.weight.data.normal_(mean=0.0, std=config.initializer_range) if module.bias is not None: module.bias.data.zero_() elif isinstance(module, nn.Embedding): module.weight.data.normal_(mean=0.0, std=config.initializer_range) if module.padding_idx is not None: module.weight.data[module.padding_idx].zero_() elif isinstance(module, nn.LayerNorm): module.weight.data.fill_(1.0) module.bias.data.zero_() elif isinstance(module, LlamaRMSNorm): module.weight.data.fill_(1.0) move_buffers_to_device(module, device=d) delayed_initer = DelayedParamIniter(model, init_method_using_config=custom_init_method_using_config
)Weitere Informationen zu den
torch.sagemaker.module_util
Funktionen im vorherigen Codeausschnitt finden Sie unter. torch.sagemakerFunktionen und Eigenschaften von Util -
verbose
(Boolean) — Ob eine detailliertere Protokollierung während der Initialisierung und Validierung aktiviert werden soll. Der Standardwert istFalse
.
Methoden
-
get_param_init_fn()
— Gibt die Parameterinitialisierungsfunktion zurück, die Sie an dasparam_init_fn
Argument der FSDP-Wrapper-Klasse übergeben können. PyTorch -
get_post_param_init_fn()
— Gibt die Parameterinitialisierungsfunktion zurück, die Sie an daspost_param_init_fn
Argument der FSDP-Wrapper-Klasse übergeben können. PyTorch Dies ist erforderlich, wenn Sie Gewichte im Modell gebunden haben. Das Modell muss die Methode implementierentie_weights
. Weitere Informationen finden Sie in den Hinweisen zum gebundenen Gewicht inVerzögerte Parameterinitialisierung. -
count_num_params
(module: nn.Module, *args: Tuple[nn.Parameter]
) — Verfolgt, wie viele Parameter von der Parameterinitialisierungsfunktion initialisiert werden. Dies hilft bei der Implementierung der folgendenvalidate_params_and_buffers_inited
Methode. Normalerweise müssen Sie diese Funktion nicht explizit aufrufen, da dievalidate_params_and_buffers_inited
Methode diese Methode implizit im Backend aufruft. -
validate_params_and_buffers_inited
(enabled: bool=True
) — Dies ist ein Kontextmanager, mit dessen Hilfe überprüft werden kann, ob die Anzahl der initialisierten Parameter mit der Gesamtzahl der Parameter im Modell übereinstimmt. Außerdem wird überprüft, ob sich alle Parameter und Puffer jetzt auf GPU-Geräten statt auf Metageräten befinden. Es wird ausgelöstAssertionErrors
, wenn diese Bedingungen nicht erfüllt sind. Dieser Kontextmanager ist nur optional und Sie müssen diesen Kontextmanager nicht verwenden, um Parameter zu initialisieren.
torch.sagemaker.moe.moe_config.MoEConfig
Eine Konfigurationsklasse für die Einrichtung der SMP-Implementierung von Mixture-of-Experts (MoE). Sie können MoE-Konfigurationswerte über diese Klasse angeben und sie an den API-Aufruf übergeben. torch.sagemaker.transform
Weitere Informationen zur Verwendung dieser Klasse für das Training von MoE-Modellen finden Sie unterParallelität für Experten.
class torch.sagemaker.moe.moe_config.MoEConfig( smp_moe=True, random_seed=12345, moe_load_balancing="sinkhorn", global_token_shuffle=False, moe_all_to_all_dispatcher=True, moe_aux_loss_coeff=0.001, moe_z_loss_coeff=0.001 )
-
smp_moe
(Boolean) — Ob die SMP-Implementierung von MoE verwendet werden soll. Der Standardwert istTrue
. -
random_seed
(Integer) — Eine Startzahl für die Zufallsoperationen in von Experten parallel verteilten Modulen. Dieser Startwert wird dem parallel Expertenrang hinzugefügt, um den tatsächlichen Startwert für jeden Rang festzulegen. Es ist für jeden parallel Expertenrang einzigartig. Der Standardwert ist12345
. -
moe_load_balancing
(Zeichenfolge) — Geben Sie den Lastausgleichstyp des MoE-Routers an. Gültige Optionen sindaux_loss
sinkhorn
,balanced
, undnone
. Der Standardwert istsinkhorn
. -
global_token_shuffle
(Boolean) — Gibt an, ob Tokens zwischen EP-Rängen innerhalb derselben EP-Gruppe gemischt werden sollen. Der Standardwert istFalse
. -
moe_all_to_all_dispatcher
(Boolean) — Ob der all-to-all Dispatcher für die Kommunikation in MoE verwendet werden soll. Der Standardwert istTrue
. -
moe_aux_loss_coeff
(Float) — Ein Koeffizient für den Verlust des zusätzlichen Lastenausgleichs. Der Standardwert ist0.001
. -
moe_z_loss_coeff
(Float) — Koeffizient für den Z-Verlust. Der Standardwert ist0.001
.
torch.sagemaker.nn.attn.FlashSelfAttention
Eine API zur Verwendung FlashAttention mit SMP v2.
class torch.sagemaker.nn.attn.FlashSelfAttention( attention_dropout_prob: float = 0.0, scale: Optional[float] = None, triton_flash_attention: bool = False, use_alibi: bool = False, )
Parameter
-
attention_dropout_prob
(float) — Die Abbrecherwahrscheinlichkeit, die auf Aufmerksamkeit angewendet werden soll. Der Standardwert ist0.0
. -
scale
(float) — Wenn er bestanden wird, wird dieser Skalierungsfaktor für Softmax angewendet. Falls auf gesetztNone
(was auch der Standardwert ist), ist1 / sqrt(attention_head_size)
der Skalierungsfaktor. Der Standardwert istNone
. -
triton_flash_attention
(bool) — Falls übergeben, wird die Triton-Implementierung von Flash Attention verwendet. Dies ist notwendig, um Attention with Linear Biases (ALiBi) zu unterstützen (siehe den folgendenuse_alibi
Parameter). Diese Version des Kernels unterstützt Dropout nicht. Der Standardwert istFalse
. -
use_alibi
(bool) — Falls übergeben, aktiviert sie Attention with Linear Biases (ALiBi) unter Verwendung der bereitgestellten Maske. Wenn Sie A verwendenLiBi, benötigen Sie eine Aufmerksamkeitsmaske, die wie folgt vorbereitet ist. Der Standardwert istFalse
.def generate_alibi_attn_mask(attention_mask, batch_size, seq_length, num_attention_heads, alibi_bias_max=8): device, dtype = attention_mask.device, attention_mask.dtype alibi_attention_mask = torch.zeros( 1, num_attention_heads, 1, seq_length, dtype=dtype, device=device ) alibi_bias = torch.arange(1 - seq_length, 1, dtype=dtype, device=device).view( 1, 1, 1, seq_length ) m = torch.arange(1, num_attention_heads + 1, dtype=dtype, device=device) m.mul_(alibi_bias_max / num_attention_heads) alibi_bias = alibi_bias * (1.0 / (2 ** m.view(1, num_attention_heads, 1, 1))) alibi_attention_mask.add_(alibi_bias) alibi_attention_mask = alibi_attention_mask[..., :seq_length, :seq_length] if attention_mask is not None and attention_mask.bool().any(): alibi_attention_mask.masked_fill( attention_mask.bool().view(batch_size, 1, 1, seq_length), float("-inf") ) return alibi_attention_mask
Methoden
-
forward(self, qkv, attn_mask=None, causal=False, cast_dtype=None, layout="b h s d")
— Eine reguläre PyTorch Modulfunktion. Wenn a aufgerufenmodule(x)
wird, führt SMP diese Funktion automatisch aus.-
qkv
— intorch.Tensor
der folgenden Form:(batch_size x seqlen x (3 x num_heads) x head_size)
oder(batch_size, (3 x num_heads) x seqlen x head_size)
, ein Tupel, von demtorch.Tensors
jedes eine Form haben könnte(batch_size x seqlen x num_heads x head_size)
, oder.(batch_size x num_heads x seqlen x head_size)
Basierend auf der Form muss ein geeignetes Layoutargument übergeben werden. -
attn_mask
—torch.Tensor
der folgenden Form(batch_size x 1 x 1 x seqlen)
. Um diesen Parameter für die Aufmerksamkeitsmaske zu aktivieren, benötigt ertriton_flash_attention=True
unduse_alibi=True
. Informationen zum Generieren einer Aufmerksamkeitsmaske mit dieser Methode finden Sie in den Codebeispielen unterFlashAttention. Der Standardwert istNone
. -
causal
— Wenn dieser Wert auf gesetzt istFalse
, was der Standardwert des Arguments ist, wird keine Maske angewendet. Wenn auf gesetztTrue
, verwendet dieforward
Methode die untere dreieckige Standardmaske. Der Standardwert istFalse
. -
cast_dtype
— Wenn sie auf einen bestimmten Wert gesetzt istdtype
, werden dieqkv
Tensoren auf den vorherigen Wert umgewandelt.dtype
attn
Dies ist nützlich für Implementierungen wie das GPT-NeoX-Modell von Hugging Face Transformer, das über und mit rotativen Einbettungen verfügtq
.k
fp32
Wenn auf gesetzt, wird kein Cast angewendet.None
Der Standardwert istNone
. -
layout
(string) — Verfügbare Werte sindb h s d
oderb s h d
. Dies sollte auf das Layout der übergebenenqkv
Tensoren eingestellt werden, damit entsprechende Transformationen beantragt werden können.attn
Der Standardwert istb h s d
.
-
Rückgabewerte
Eine Single torch.Tensor
mit Form. (batch_size x num_heads x
seq_len x head_size)
torch.sagemaker.nn.attn.FlashGroupedQueryAttention
Eine API zur Verwendung FlashGroupedQueryAttention
mit SMP v2. Weitere Informationen zur Verwendung dieser API finden Sie unterVerwenden Sie FlashAttention Kernel für die Bearbeitung von Gruppenabfragen.
class torch.sagemaker.nn.attn.FlashGroupedQueryAttention( attention_dropout_prob: float = 0.0, scale: Optional[float] = None, )
Parameter
-
attention_dropout_prob
(float) — Die Abbrecherwahrscheinlichkeit, die auf Aufmerksamkeit angewendet werden soll. Der Standardwert ist0.0
. -
scale
(float) — Wenn er bestanden wird, wird dieser Skalierungsfaktor für Softmax angewendet. Wenn auf gesetztNone
,1 / sqrt(attention_head_size)
wird er als Skalierungsfaktor verwendet. Der Standardwert istNone
.
Methoden
-
forward(self, q, kv, causal=False, cast_dtype=None, layout="b s h d")
— Eine reguläre PyTorch Modulfunktion. Wenn a aufgerufenmodule(x)
wird, führt SMP diese Funktion automatisch aus.-
q
—torch.Tensor
in der folgenden Form(batch_size x seqlen x num_heads x head_size)
oder(batch_size x num_heads x seqlen x head_size)
. Basierend auf der Form muss ein geeignetes Layout-Argument übergeben werden. -
kv
—torch.Tensor
der folgenden Form(batch_size x seqlen x (2 x num_heads) x head_size)
oder(batch_size, (2 x num_heads) x seqlen x head_size)
, oder ein Tupel aus zweitorch.Tensor
s, von denen jedes die Form(batch_size x seqlen x num_heads x head_size)
oder haben kann.(batch_size x num_heads x seqlen x head_size)
Basierend auf der Form muss auch ein entsprechendeslayout
Argument übergeben werden. -
causal
— Wenn dieser Wert auf gesetzt istFalse
, was der Standardwert des Arguments ist, wird keine Maske angewendet. Wenn auf gesetztTrue
, verwendet dieforward
Methode die untere dreieckige Standardmaske. Der Standardwert istFalse
. -
cast_dtype
— Wenn sie auf einen bestimmten Dtype gesetzt ist, werden dieqkv
Tensoren zuvor in diesen Dtype umgewandelt.attn
Dies ist nützlich für Implementierungen wie Hugging Face Transformers GPT-Neox, das über rotatorische Einbettungen verfügt.q,k
fp32
Wenn auf gesetzt, wird kein Cast angewendet.None
Der Standardwert istNone
. -
layout (string) — Verfügbare Werte sind
"b h s d"
oder"b s h d"
. Dies sollte auf das Layout der übergebenenqkv
Tensoren eingestellt werden, damit entsprechende Transformationen beantragt werden können.attn
Der Standardwert ist"b h s d"
.
-
Rückgabewerte
Gibt einen Wert vom Typ Single zurück, der torch.Tensor (batch_size x num_heads x seq_len x
head_size)
das Ergebnis der Aufmerksamkeitsberechnung darstellt.
torch.sagemaker.nn.huggingface.llama_flashattn.LlamaFlashAttention
Eine API, die das Lama-Modell unterstützt FlashAttention . Diese API verwendet die torch.sagemaker.nn.attn.FlashGroupedQueryAttention API auf niedriger Ebene. Informationen zur Verwendung dieser Funktion finden Sie unterVerwenden Sie FlashAttention Kernel für die Bearbeitung von Gruppenabfragen.
class torch.sagemaker.nn.huggingface.llama_flashattn.LlamaFlashAttention( config: LlamaConfig )
Parameter
-
config
— Eine FlashAttention Konfiguration für das Lama-Modell.
Methoden
-
forward(self, hidden_states, attention_mask, position_ids, past_key_value, output_attentions, use_cache)
-
hidden_states
(torch.Tensor
) — Versteckte Zustände eines Tensors in Form von.(batch_size x seq_len x num_heads x head_size)
-
attention_mask
(torch.LongTensor
) — Maske, um zu vermeiden, dass Aufmerksamkeit auf das Auffüllen von Token-Indizes in Form von gerichtet wird.(batch_size x seqlen)
Der Standardwert istNone
. -
position_ids
(torch.LongTensor
) — Wenn nichtNone
, hat es die Form von(batch_size x seqlen)
, die Positionsindizes jedes Eingabesequenz-Tokens in den Positionseinbettungen anzugeben. Der Standardwert istNone
. -
past_key_value
(Cache) — Vorberechnete versteckte Zustände (Schlüssel und Werte in den Selbstaufmerksamkeitsblöcken und in den Queraufmerksamkeitsblöcken). Der Standardwert istNone
. -
output_attentions
(bool) — Gibt an, ob die Aufmerksamkeitstensoren aller Aufmerksamkeitsebenen zurückgegeben werden sollen. Der Standardwert istFalse
. -
use_cache
(bool) — Gibt an, ob Schlüsselwertstatus zurückgegebenpast_key_values
werden sollen. Der Standardwert istFalse
.
-
Rückgabewerte
Gibt einen Wert vom Typ Single zurücktorch.Tensor (batch_size x num_heads x seq_len x
head_size)
, der das Ergebnis der Aufmerksamkeitsberechnung darstellt.
torch.sagemaker.transform
SMP v2 bietet diese torch.sagemaker.transform()
API zur Transformation von Hugging Face Transformer-Modellen in SMP-Modellimplementierungen und zur Aktivierung der SMP-Tensorparallelität.
torch.sagemaker.transform( model: nn.Module, device: Optional[torch.device] = None, dtype: Optional[torch.dtype] = None, config: Optional[Dict] = None, load_state_dict_from_rank0: bool = False )
SMP v2 verwaltet Transformationsrichtlinien für, Hugging Face Transformer-Modelle, die mit der SMP-Tensorparallelität kompatibel sind indem es die Konfiguration der Hugging Face Transformer-Modelle in die SMP-Transformer-Konfiguration konvertiert.
Parameter
-
model
(torch.nn.Module
) — Ein Modell Hugging Face Transformer-Modelle, die mit der SMP-Tensorparallelität kompatibel sind zur Transformation und Anwendung der Tensorparallelitätsfunktion der SMP-Bibliothek. -
device
(torch.device
) — Falls erfolgreich, wird auf diesem Gerät ein neues Modell erstellt. Wenn das ursprüngliche Modul einen Parameter auf dem Metagerät hat (sieheVerzögerte Parameterinitialisierung), dann wird das transformierte Modul auch auf dem Metagerät erstellt, wobei das hier übergebene Argument ignoriert wird. Der Standardwert istNone
. -
dtype
(torch.dtype
) — Falls übergeben, wird dies als dtype-Kontextmanager für die Erstellung des Modells festgelegt und ein Modell mit diesem Dtype erstellt. Dies ist normalerweise unnötig, da wir das Modell mit erstellen wollen,fp32
wenn wir es verwendenMixedPrecision
, undfp32
es ist der Standard-Dtype in. PyTorch Der Standardwert istNone
. -
config
(dict) — Dies ist ein Wörterbuch für die Konfiguration des SMP-Transformators. Der Standardwert istNone
. -
load_state_dict_from_rank0
(Boolean) — Standardmäßig erstellt dieses Modul eine neue Instanz des Modells mit neuen Gewichten. Wenn dieses Argument auf gesetzt istTrue
, versucht SMP, das Zustandswörterbuch des PyTorch Originalmodells vom 0-ten Rang in ein transformiertes Modell für die Tensorparallelgruppe zu laden, zu der der 0-te Rang gehört. Wenn dies auf gesetzt istTrue
, kann Rang 0 keine Parameter auf dem Metagerät haben. Nur die erste parallel Tensorgruppe füllt die Gewichte ab dem 0ten Rang nach diesem Transformationsaufruf auf. Sie müssenTrue
im FSDP-Wrappersync_module_states
auf setzen, um diese Gewichte von der ersten parallel Tensorgruppe auf alle anderen Prozesse zu übertragen. Wenn diese Option aktiviert ist, lädt die SMP-Bibliothek das Statuswörterbuch aus dem Originalmodell. Die SMP-Bibliothek nimmt das Modell vorstate_dict
der Transformation, konvertiert es so, dass es der Struktur des transformierten Modells entspricht, splittert es für jeden tensorparallelen Rang, übermittelt diesen Zustand vom 0-ten Rang an andere Ränge in der tensorparallelen Gruppe, zu der der 0-te Rang gehört, und lädt ihn. Der Standardwert istFalse
.
Gibt zurück
Gibt ein transformiertes Modell zurück, das Sie mit PyTorch FSDP umschließen können. Wenn auf gesetzt load_state_dict_from_rank0
istTrue
, hat die parallel Tensorgruppe, die Rang 0 beinhaltet, Gewichte aus dem ursprünglichen Zustandswörterbuch auf Rang 0 geladen. Bei Verwendung Verzögerte Parameterinitialisierung auf dem Originalmodell weisen nur diese Ränge die tatsächlichen Tensoren auf den CPUs für die Parameter und Puffer des transformierten Modells auf. Die restlichen Ränge haben weiterhin die Parameter und Puffer auf dem Metagerät, um Speicherplatz zu sparen.
torch.sagemaker
Funktionen und Eigenschaften von Util
Funktionen von torch.sagemaker
-
torch.sagemaker.init(config: Optional[Union[str, Dict[str, Any]]] = None) -> None
— Initialisiert den Trainingsjob mit SMP. PyTorch -
torch.sagemaker.is_initialized() -> bool
— Prüft, ob der Trainingsjob mit SMP initialisiert ist. Wenn Sie PyTorch während der Initialisierung des Jobs mit SMP auf die native Version zurückgreifen, sind einige Eigenschaften nicht relevant und werden, wie in der folgenden Eigenschaftenliste angegebenNone
, entsprechend. -
torch.sagemaker.utils.module_utils.empty_module_params(module: nn.Module, device: Optional[torch.device] = None, recurse: bool = False) -> nn.Module
— Erzeugt leere Parameter für das angegebene Objekt,device
falls vorhanden, und kann, falls angegeben, für alle verschachtelten Module rekursiv sein. -
torch.sagemaker.utils.module_utils.move_buffers_to_device(module: nn.Module, device: torch.device, recurse: bool = False) -> nn.Module
— Verschiebt Modulpuffer in den angegebenen Bereich und kanndevice
, falls angegeben, für alle verschachtelten Module rekursiv sein.
Eigenschaften
torch.sagemaker.state
enthält nach der Initialisierung von SMP mit mehrere nützliche Eigenschaften. torch.sagemaker.init
-
torch.sagemaker.state.hybrid_shard_degree
(int) — Der Grad der Parallelität von Shard-Daten, an den eine Kopie von Benutzereingaben in der SMP-Konfiguration übergeben wurde.torch.sagemaker.init()
Weitere Informationen hierzu finden Sie unter Erste Schritte mit der SageMaker Modellparallelismus-Bibliothek v2. -
torch.sagemaker.state.rank
(int) — Der globale Rang für das Gerät im Bereich von.[0, world_size)
-
torch.sagemaker.state.rep_rank_process_group
(torch.distributed.ProcessGroup
) — Die Prozessgruppe, die alle Geräte mit demselben Replikationsrang umfasst. Beachten Sie den subtilen, aber grundlegenden Unterschied zutorch.sagemaker.state.tp_process_group
. Wenn Sie auf die native Version zurückgreifen PyTorch, kehrt sie zurückNone
. -
torch.sagemaker.state.tensor_parallel_degree
(int) — Der Grad der Tensorparallelität, an den eine Kopie einer Benutzereingabe in der SMP-Konfiguration übergeben wurde.torch.sagemaker.init()
Weitere Informationen hierzu finden Sie unter Erste Schritte mit der SageMaker Modellparallelismus-Bibliothek v2. -
torch.sagemaker.state.tp_size
(int) — Ein Alias für.torch.sagemaker.state.tensor_parallel_degree
-
torch.sagemaker.state.tp_rank
(int) — Der Tensorparallelitätsrang für das Gerät im Bereich von[0, tp_size)
, bestimmt durch den Grad der Tensorparallelität und den Rangmechanismus. -
torch.sagemaker.state.tp_process_group
(torch.distributed.ProcessGroup
) — Die tensorparallele Prozessgruppe, die alle Geräte mit demselben Rang in anderen Dimensionen (z. B. Sharded Data Parallelität und Replikation), aber einzigartigen tensorparallelen Rängen umfasst. Wenn auf native Version zurückgegriffen wird, kehrt es zurück. PyTorchNone
-
torch.sagemaker.state.world_size
(int) — Die Gesamtzahl der im Training verwendeten Geräte.
Führen Sie ein Upgrade von SMP v1 auf SMP v2 durch
Um von SMP v1 zu SMP v2 zu wechseln, müssen Sie Änderungen am Skript vornehmen, um die SMP v1-APIs zu entfernen und die SMP v2-APIs anzuwenden. Anstatt mit Ihrem SMP v1-Skript zu beginnen, empfehlen wir Ihnen, mit einem PyTorch FSDP-Skript zu beginnen und den Anweisungen unter zu folgen. Erste Schritte mit der SageMaker Modellparallelismus-Bibliothek v2
Um SMP v1-Modelle auf SMP v2 zu übertragen, müssen Sie in SMP v1 das vollständige Modellstatuswörterbuch sammeln und die Übersetzungsfunktionen auf das Modellstatuswörterbuch anwenden, um es in das Modell-Checkpoint-Format von Hugging Face Transformers zu konvertieren. Dann können Sie in SMP v2, wie unter beschriebenSpeichern und laden Sie Checkpoints, während Sie SMP verwenden, die Modell-Checkpoints von Hugging Face Transformers laden und dann mit der Verwendung der PyTorch Checkpoint-APIs mit SMP v2 fortfahren. Um SMP mit Ihrem PyTorch FSDP-Modell zu verwenden, stellen Sie sicher, dass Sie zu SMP v2 wechseln und Änderungen an Ihrem Trainingsskript vornehmen, um FSDP und andere aktuelle Funktionen zu verwenden. PyTorch
import smdistributed.modelparallel.torch as smp # Create model model = ... model = smp.DistributedModel(model) # Run training ... # Save v1 full checkpoint if smp.rdp_rank() == 0: model_dict = model.state_dict(gather_to_rank0=True) # save the full model # Get the corresponding translation function in smp v1 and translate if model_type == "gpt_neox": from smdistributed.modelparallel.torch.nn.huggingface.gptneox import translate_state_dict_to_hf_gptneox translated_state_dict = translate_state_dict_to_hf_gptneox(state_dict, max_seq_len=None) # Save the checkpoint checkpoint_path = "checkpoint.pt" if smp.rank() == 0: smp.save( {"model_state_dict": translated_state_dict}, checkpoint_path, partial=False, )
Informationen zu den verfügbaren Übersetzungsfunktionen in SMP v1 finden Sie unter. Support für Hugging Face Transformator-Modelle
Anweisungen zum Speichern und Laden von Modell-Checkpoints in SMP v2 finden Sie unter. Speichern und laden Sie Checkpoints, während Sie SMP verwenden