Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pelatihan presisi campuran
SageMaker Model parallelism (SMP) library v2 mendukung pelatihan presisi campuran di luar kotak dengan mengintegrasikan dengan kerangka kerja open source seperti PyTorch FSDP dan Transformer Engine. Untuk mempelajari lebih lanjut, lihat topik berikut.
Topik
Pelatihan presisi campuran dengan FP8 instans P5 menggunakan Transformer Engine
Mulai dari pustaka paralelisme SageMaker model (SMP) v2.2.0, SMP perpustakaan terintegrasi dengan Transformer EngineMixedPrecision
catatan
SMPv2 menawarkan FP8 dukungan untuk model Hugging Face Transformer berikut:
-
GPT-NeoX (tersedia di SMP v2.2.0 dan yang lebih baru)
-
Llama 2 (tersedia dalam SMP v2.2.0 dan yang lebih baru)
-
Mixtral 8x7b dan Mixtral 8x22b (tersedia dalam v2.5.0 dan yang lebih baru) SMP
catatan
FP8Pelatihan tentang fitur P5 ini tersedia dalam kombinasi perpustakaan SageMaker dan perpustakaan berikut: PyTorch
-
SageMaker Python SDK v2.212.0 dan yang lebih baru
-
PyTorch v2.2.0 dan yang lebih baru
FP8(Presisi floating point 8-bit) adalah tipe data yang telah muncul sebagai paradigma lain untuk mempercepat pelatihan model pembelajaran mendalam. LLM Dengan dirilisnya tipe FP8 data GPUs pendukung NVIDIA H100, Anda dapat memanfaatkan keuntungan dari peningkatan kinerja pada instans P5 yang dilengkapi dengan H100GPUs, sekaligus mempercepat pelatihan terdistribusi dengan pelatihan presisi campuran. FP8
Tipe FP8 data selanjutnya bercabang ke format E4M3 dan E5M2. E4M3 menawarkan presisi yang lebih baik, memiliki rentang dinamis terbatas, dan sangat ideal untuk forward pass dalam pelatihan model. E5M2 memiliki rentang dinamis yang lebih luas, tetapi presisi berkurang, dan lebih cocok untuk lintasan mundur, di mana presisi kurang kritis dan rentang dinamis yang lebih luas menjadi bermanfaat. Oleh karena itu, kami menyarankan Anda menggunakan resep FP8 strategi hibrida
Untuk tipe data setengah presisi (FP16danBF16), teknik penskalaan kerugian global seperti penskalaan kerugian statis atau penskalaan kerugian dinamis menangani masalah konvergensi yang timbul dari kehilangan informasi karena gradien pembulatan dalam setengah presisi. Namun, rentang dinamis bahkan FP8 lebih sempit, dan teknik penskalaan kerugian global tidak cukup. Pada titik ini, kita membutuhkan teknik penskalaan per-tensor berbutir halus. Penskalaan tertunda adalah strategi yang memilih faktor penskalaan berdasarkan nilai absolut maksimum yang diamati dalam sejumlah tensor dari iterasi sebelumnya. Ada trade-off dalam strategi ini; ia menggunakan manfaat kinerja penuh dari FP8 komputasi tetapi membutuhkan memori untuk menjaga riwayat nilai maksimum tensor. Untuk mempelajari lebih lanjut tentang strategi penskalaan tertunda secara umum, lihat paper FP8Formats for Deep Learning
Dalam praktiknya, penggunaan FP8 sangat membantu dalam semua skenario pelatihan pada instance P5. Kami sangat menyarankan untuk mengaktifkan FP8 bila memungkinkan untuk meningkatkan kinerja pelatihan.
SMPv2 mendukung Transformer Engine di luar kotak. Oleh karena itu, saat menjalankan FP8 pelatihan dengan SMP v2 pada instance P5 dari SageMaker (ml.p5.48xlarge
), satu-satunya hal yang perlu Anda lakukan adalah mengimpor torch.sagemaker
skrip pelatihan Anda dan tetap menggunakan paket Transformer Engine Python asli. Untuk mempelajari lebih lanjut tentang menggunakan Mesin Transformer untuk FP8 pelatihan secara umum, lihat Menggunakan FP8 dengan Mesin Transformer
import torch.sagemaker as tsm import transformer_engine.pytorch as te from transformer_engine.common.recipe import DelayedScaling, Format # Initialize the SMP torch.sagemaker API. tsm.init() # Define a transformer model and wrap it with the torch.sagemaker.transform API. from transformers import AutoModelForCausalLM model = AutoModelForCausalLM.from_config(
ModelConfig
) model = tsm.transform(model) # Enable E4M3 during forward pass, E5M2 during backward pass. fp8_format = Format.HYBRID # Create an FP8 recipe. fp8_recipe = DelayedScaling(fp8_format=fp8_format, amax_history_len=32, amax_compute_algo="max") # Enable FP8 autocasting. with te.fp8_autocast(enabled=True, fp8_recipe=fp8_recipe, fp8_group=tsm.state.world_process_group): out = model(inp) loss = out.sum() loss.backward()
Untuk menemukan contoh praktis FP8 pelatihan dengan SMP v2 pada instance P5, lihat contoh notebook di Accelerate SageMaker PyTorch FSDP Training of LLAMA-v2 (atau GPT -Neox
Pelatihan presisi campuran dengan tipe data setengah presisi menggunakan PyTorch FSDP
SMPv2 mendukung PyTorch FSDPMixedPrecision
catatan
Pelatihan presisi campuran dengan PyTorch FSDP fitur ini tersedia dalam kombinasi perpustakaan SageMaker dan PyTorch perpustakaan berikut.
-
SMPv2.0.0 dan yang lebih baru
-
SageMaker Python SDK v2.200.0 dan yang lebih baru
-
PyTorch v2.0.1 dan yang lebih baru
Cara standar untuk mengonfigurasi model untuk presisi campuran adalah dengan membuat modelfloat32
, dan kemudian memungkinkan FSDP untuk mentransmisikan parameter ke float16
atau dengan cepat dengan meneruskan MixedPrecision
kebijakan, seperti yang ditunjukkan bfloat16
pada cuplikan kode berikut. Untuk informasi selengkapnya tentang opsi dtype
untuk mengubah parameter, reduksi, atau buffer untuk presisi campuran PyTorch, lihat PyTorch FSDPMixedPrecision
API
# Native PyTorch API from torch.distributed.fsdp import MixedPrecision dtype = torch.bfloat16 mixed_precision_policy = MixedPrecision( param_dtype=dtype, reduce_dtype=dtype, buffer_dtype=dtype ) model = FSDP( model, ..., mixed_precision=mixed_precision_policy )
Perhatikan bahwa model tertentu (seperti model Hugging Face Transformers Llama) mengharapkan buffer sebagai. float32
Untuk menggunakanfloat32
, ganti torch.bfloat16
dengan torch.float32
di baris yang mendefinisikan dtype
objek.