Hugging Face's logo

Enxin
/
sparse

TensorBoard
Safetensors
Model card Files
xet
Metrics Community
sparse / ms-swift /docs /source /Instruction /Megatron-SWIFT训练.md
Enxin's picture
Enxin
Upload folder using huggingface_hub
96fe658 verified
preview code
|
raw
history blame contribute delete
31.1 kB

Megatron-SWIFT训练

SWIFT引入了Megatron的并行技术来加速大模型的训练，包括数据并行、张量并行、流水线并行、序列并行，上下文并行，专家并行。支持Qwen3、Qwen3-MoE、Qwen2.5、Llama3、Deepseek-R1等模型的预训练和微调。完整支持的模型可以参考支持的模型与数据集文档。

环境准备

使用Megatron-SWIFT，除了安装swift依赖外，还需要安装以下内容：

# 推荐torch版本：2.5 / 2.6
pip install pybind11

# transformer_engine
# 若出现安装错误，可以参考该issue解决: https://github.com/modelscope/ms-swift/issues/3793
pip install --no-build-isolation transformer_engine[pytorch]
# 或使用以下方式安装
# pip install --no-build-isolation git+https://github.com/NVIDIA/TransformerEngine.git@release_v2.5#egg=transformer_engine[pytorch]

# apex
git clone https://github.com/NVIDIA/apex
cd apex
# https://github.com/modelscope/ms-swift/issues/4176
git checkout e13873debc4699d39c6861074b9a3b2a02327f92
pip install -v --disable-pip-version-check --no-cache-dir --no-build-isolation --config-settings "--build-option=--cpp_ext" --config-settings "--build-option=--cuda_ext" ./

# megatron-core
pip install git+https://github.com/NVIDIA/Megatron-LM.git@core_r0.13.0

# 若使用多机训练，请额外设置`MODELSCOPE_CACHE`环境变量为共享存储路径
# 这将确保数据集缓存共享，而加速预处理速度
expert MODELSCOPE_CACHE='/xxx/shared'

或者你也可以使用镜像：

modelscope-registry.cn-hangzhou.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.4.0-py310-torch2.6.0-vllm0.8.5.post1-modelscope1.28.1-swift3.6.3
modelscope-registry.cn-beijing.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.4.0-py310-torch2.6.0-vllm0.8.5.post1-modelscope1.28.1-swift3.6.3
modelscope-registry.us-west-1.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.4.0-py310-torch2.6.0-vllm0.8.5.post1-modelscope1.28.1-swift3.6.3

依赖库Megatron-LM中的训练模块将由swift进行git clone并安装。你也可以通过环境变量MEGATRON_LM_PATH指向已经下载好的repo路径（断网环境，core_r0.13.0分支）。

快速入门案例

这里介绍使用2卡80GiB A100对Qwen2.5-7B-Instruct模型进行自我认知微调的快速入门案例，以下最佳实践可以在10分钟内完成。

首先，我们需要将HF格式的权重转为Megatron格式：

  • 若出现OOM，将CUDA_VISIBLE_DEVICES=0删除即可，会自动使用多卡。若出现内存不足，请将--test_convert_precision true删除。
CUDA_VISIBLE_DEVICES=0 \
swift export \
    --model Qwen/Qwen2.5-7B-Instruct \
    --to_mcore true \
    --torch_dtype bfloat16 \
    --output_dir Qwen2.5-7B-Instruct-mcore \
    --test_convert_precision true

然后，使用以下脚本进行训练，训练所需显存资源为2*80GiB：

  • 若使用多机训练，建议共享磁盘，并将--save指定为相同的路径。
PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \
NPROC_PER_NODE=2 \
CUDA_VISIBLE_DEVICES=0,1 \
megatron sft \
    --load Qwen2.5-7B-Instruct-mcore \
    --dataset 'AI-ModelScope/alpaca-gpt4-data-zh#500' \
              'AI-ModelScope/alpaca-gpt4-data-en#500' \
              'swift/self-cognition#500' \
    --tensor_model_parallel_size 2 \
    --sequence_parallel true \
    --micro_batch_size 16 \
    --global_batch_size 16 \
    --recompute_granularity full \
    --recompute_method uniform \
    --recompute_num_layers 1 \
    --finetune true \
    --cross_entropy_loss_fusion true \
    --lr 1e-5 \
    --lr_warmup_fraction 0.05 \
    --min_lr 1e-6 \
    --max_epochs 1 \
    --save megatron_output/Qwen2.5-7B-Instruct \
    --save_interval 100 \
    --max_length 2048 \
    --system 'You are a helpful assistant.' \
    --num_workers 4 \
    --no_save_optim true \
    --no_save_rng true \
    --dataset_num_proc 4 \
    --model_author swift \
    --model_name swift-robot

最后，将Megatron格式权重转为HF格式：

  • 注意：--mcore_model请指向iter_xxx的上级目录。默认会使用latest_checkpointed_iteration.txt中对应的checkpoint。
  • 若出现OOM，将CUDA_VISIBLE_DEVICES=0删除即可。若出现内存不足，请将--test_convert_precision true删除。
CUDA_VISIBLE_DEVICES=0 \
swift export \
    --mcore_model megatron_output/Qwen2.5-7B-Instruct/vx-xxx \
    --to_hf true \
    --torch_dtype bfloat16 \
    --output_dir megatron_output/Qwen2.5-7B-Instruct/vx-xxx-hf \
    --test_convert_precision true

我们对生成的HF格式权重进行推理：

CUDA_VISIBLE_DEVICES=0 \
swift infer \
    --model megatron_output/Qwen2.5-7B-Instruct/vx-xxx-hf \
    --stream true \
    --temperature 0 \
    --max_new_tokens 2048

推理结果如下：

<<< who are you?
I am a language model developed by swift, you can call me swift-robot. How can I assist you?
  • 若要进行预训练，你可以使用megatron pt替代megatron sft，这将会使用生成式的template进行训练。
  • 更多案例：包括packing、多机、32K上下文、DPO、MoE模型、预训练，可以查看这里。
  • 自定义数据集格式和ms-swift相同，参考自定义数据集文档。

LoRA训练

Qwen3-235B-A22B-Instruct-250718 单机8卡H20 LoRA训练的最佳实践参考：https://github.com/modelscope/ms-swift/pull/5033。

相比全参数训练，LoRA训练在训练和MCore转换HF脚本有所区别：

训练脚本：

# full: 2 * 70GiB 0.61s/it
# lora: 2 * 14GiB 0.45s/it
PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \
NPROC_PER_NODE=2 \
CUDA_VISIBLE_DEVICES=0,1 \
megatron sft \
    --load Qwen2.5-7B-Instruct-mcore \
    --dataset 'AI-ModelScope/alpaca-gpt4-data-zh#500' \
              'AI-ModelScope/alpaca-gpt4-data-en#500' \
              'swift/self-cognition#500' \
    --train_type lora \
    --lora_rank 8 \
    --lora_alpha 32 \
    --target_modules all-linear \
    --tensor_model_parallel_size 2 \
    --sequence_parallel true \
    --micro_batch_size 16 \
    --global_batch_size 16 \
    --recompute_granularity full \
    --recompute_method uniform \
    --recompute_num_layers 1 \
    --finetune true \
    --cross_entropy_loss_fusion true \
    --lr 1e-4 \
    --lr_warmup_fraction 0.05 \
    --min_lr 1e-5 \
    --max_epochs 1 \
    --save megatron_output/Qwen2.5-7B-Instruct \
    --save_interval 100 \
    --max_length 2048 \
    --system 'You are a helpful assistant.' \
    --num_workers 4 \
    --no_save_optim true \
    --no_save_rng true \
    --dataset_num_proc 4 \
    --model_author swift \
    --model_name swift-robot
  • MoE模型的LoRA训练脚本参考这里。

MCore转换HF脚本：

CUDA_VISIBLE_DEVICES=0 \
swift export \
    --mcore_adapters megatron_output/Qwen2.5-7B-Instruct/vx-xxx \
    --to_hf true \
    --torch_dtype bfloat16 \
    --output_dir megatron_output/Qwen2.5-7B-Instruct/vx-xxx-hf \
    --test_convert_precision true
  • 注意：mcore_adapters文件夹中包含args.json文件，转换过程中会读取文件中mcore_model和LoRA相关的参数信息，并将mcore_model和mcore_adapters进行merge-lora成完整权重，最终转换成HF格式权重。

Benchmark

使用megatron sft和swift sft在单机八卡A800环境下进行Dense/MoE模型全参数训练的速度对比如下，对应脚本参考这里。

Dense Qwen2.5-14B:

Megatron-LM Deepspeed-ZeRO2 Deepspeed-ZeRO3
训练速度 9.04s/it 10.32s/it 10.56s/it
显存占用 8*64GB 8*80GB 8*58GB

MoE Qwen1.5-MoE-A2.7B:

Megatron-LM Deepspeed-ZeRO2 Deepspeed-ZeRO3
训练速度 2.95s/it 6.02s/it 24.30s/it
显存占用 8*57GB 8*72GB 8*50GB

命令行参数

Megatron参数

训练参数:

  • 🔥micro_batch_size: 每个device的批次大小，默认为1。
  • 🔥global_batch_size: 总批次大小，等价于micro_batch_size*数据并行大小*梯度累加步数。默认为16。
  • 🔥recompute_granularity: 重新计算激活的粒度，可选项为'full', 'selective'。其中full代表重新计算整个transformer layer，selective代表只计算transformer layer中的核心注意力部分。通常'selective'是推荐的。默认为'selective'。
  • 🔥recompute_method: 该参数需将recompute_granularity设置为'full'才生效，可选项为'uniform', 'block'。默认为None。
  • 🔥recompute_num_layers: 该参数需将recompute_granularity设置为'full'才生效，默认为None。若recompute_method设置为uniform，该参数含义为每个均匀划分的重新计算单元的transformer layers数量。例如你可以指定为--recompute_granularity full --recompute_method uniform --recompute_num_layers 4。recompute_num_layers越大，显存占用越小，计算成本越大。默认为None。
  • recompute_modules: 选项包括"core_attn", "moe_act", "layernorm", "mla_up_proj", "mlp", "moe"，默认值为["core_attn"]。该参数在--recompute_granularity selective时生效。例如在MoE训练时，你可以通过指定--recompute_granularity selective --recompute_modules core_attn moe降低显存。其中"core_attn"、"mlp" 和 "moe" 使用常规检查点，"moe_act"、"layernorm" 和 "mla_up_proj" 使用输出丢弃检查点。
    • "core_attn"：重新计算 Transformer 层中的核心注意力部分。
    • "mlp"：重新计算密集的 MLP 层。
    • "moe"：重新计算 MoE 层。
    • "moe_act"：重新计算 MoE 中的 MLP 激活函数部分。
    • "layernorm"：重新计算 input_layernorm 和 pre_mlp_layernorm。
    • "mla_up_proj"：重新计算 MLA 上投影和 RoPE 应用部分。
  • deterministic_mode: 确定性模式，这会导致训练速度下降，默认为False。
  • 🔥train_iters: 训练的总迭代次数，默认为None。
  • 🔥log_interval: log的时间间隔（单位：iters），默认为5。
  • tensorboard_dir: tensorboard日志写入的目录。默认None，即存储在f'{save}/runs'目录下。
  • no_masked_softmax_fusion: 默认为False。用于禁用query_key_value的scaling, masking, and softmax融合。
  • no_bias_dropout_fusion: 默认为False。用于禁用bias和dropout的融合。
  • no_bias_swiglu_fusion: 默认为False。指定--no_bias_dropout_fusion true，用于禁止bias和swiglu融合。
  • no_rope_fusion: 默认为False。指定--no_rope_fusion true用于禁止rope融合。
  • no_gradient_accumulation_fusion: 默认为False。指定--no_gradient_accumulation_fusion true用于禁用梯度累加融合。
  • 🔥cross_entropy_loss_fusion: 启动交叉熵损失计算融合。默认为False。
  • cross_entropy_fusion_impl: 交叉熵损失融合的实现。可选为'native'和'te'。默认为'native'。
  • calculate_per_token_loss: 根据全局批次中的非填充token数量来对交叉熵损失进行缩放。默认为True。
    • 注意：rlhf中默认为False。
  • 🔥attention_backend: 使用的注意力后端 (flash、fused、unfused、local、auto)。默认为 auto。
  • optimizer: 优化器类型，可选为'adam'、'sgd'。默认为adam。
  • 🔥optimizer_cpu_offload: 将优化器状态卸载到 CPU。默认为False。
  • optimizer_offload_fraction: 卸载到 CPU 的优化器状态所占比例。默认为1.。
  • use_precision_aware_optimizer: 使用 TransformerEngine 中的精度感知优化器，该优化器允许将主参数和优化器状态设置为较低精度，例如 fp16 和 fp8。
  • main_grads_dtype: 启用 use_precision_aware_optimizer 时主梯度的 dtype。可选为'fp32', 'bf16'。默认为'fp32'。
  • main_params_dtype: 启用 use_precision_aware_optimizer 时主参数的 dtype。可选为'fp32', 'fp16'。默认为'fp32'。
  • exp_avg_dtype: 启用 use_precision_aware_optimizer 时，adam 优化器中 exp_avg（即一阶矩）的 dtype。该 dtype 用于在训练过程中将优化器状态存储在内存中，但不会影响内核计算时的精度。可选为'fp32', 'fp16', 'bf16', 'fp8'。默认为'fp32'。
  • exp_avg_sq_dtype: 启用 use_precision_aware_optimizer 时，adam 优化器中 exp_avg_sq（即二阶矩）的 dtype。该 dtype 用于在训练过程中将优化器状态存储在内存中，但不会影响内核计算的精度。可选为'fp32', 'fp16', 'bf16', 'fp8'。默认为'fp32'。
  • dataloader_type: 默认为'cyclic'，可选为'single', 'cyclic', 'external'。若开启--streaming，则设置为external。
  • manual_gc: 禁用默认垃圾回收器，手动触发垃圾回收。默认为False。
  • manual_gc_interval: 触发垃圾回收的间隔。默认为0。
  • seed: python、numpy、pytorch和cuda的随机种子，默认为42。
  • 🔥num_workers: dataloder的workers数量，默认为4。
    • 注意：若设置--streaming true，则设置为1。
  • seq_length: 默认为None，即设置为max_length。对数据集长度进行限制请使用基本参数中的--max_length控制，无需设置此参数。
  • use_cpu_initialization: 在cpu上初始化权重，默认为False。在进行HF和MCore权重转换时会被使用。
  • extra_megatron_kwargs: 传入megatron的其他参数，使用json传递。默认为None。

学习率参数:

  • 🔥lr: 初始学习率，最终会根据学习率预热策略和衰减策略决定每个迭代的学习率。默认为None，全参数训练默认为1e-5，LoRA训练默认为1e-4。
  • lr_decay_style: 学习率衰减策略，默认为'cosine'。通常设置为'cosine', 'linear', 'constant'。
  • 🔥lr_decay_iters: 学习率衰减的迭代次数。默认为None，则设置为--train_iters。
  • lr_warmup_iters: 线性学习率预热的迭代次数，默认为0。
  • 🔥lr_warmup_fraction: 线性学习率预热阶段所占比例，默认为None。
  • 🔥min_lr: 学习率的最小值，将低于改阈值的学习率裁剪为该值，默认为0。

正则化参数:

  • 🔥weight_decay: 默认为0.1。
  • 🔥clip_grad: l2梯度裁剪，默认为1.0。
  • adam_beta1: 默认0.9。
  • adam_beta2: 默认0.95。
  • adam_eps: 默认1e-8。
  • sgd_momentum: 默认为0.9。

checkpoint参数:

  • 🔥save: checkpoint的输出目录，默认None。在训练中，若未设置该参数，则默认为f'megatron_output/{model_suffix}'，例如'megatron_output/Qwen2.5-7B-Instruct'。
    • 注意：若在多机训练时，请确保每个节点的保存路径指向相同位置。否则你需要在训练后手动集中这些权重。
  • 🔥save_interval: checkpoint保存的间隔（steps），默认为500。
    • 注意：训练结束时一定会保存权重。
  • 🔥no_save_optim: 不保存optimizer，默认为False。
  • 🔥no_save_rng: 不保存rng，默认为False。
  • 🔥load: 加载的checkpoint目录，默认None。
  • 🔥no_load_optim: 不载入optimizer，默认为False。
  • 🔥no_load_rng: 不载入rng，默认为False。
  • 🔥finetune: 将模型加载并微调。不加载检查点的优化器和随机种子状态，并将迭代数设置为0。默认为False。
    • 注意：断点续训--load，若设置--finetune true，将不会跳过数据集；若不设置，将跳过之前训练的数据集数量。
    • 流式数据集--streaming，暂不支持跳过数据集。
  • ckpt_format: checkpoint的格式。可选为'torch', 'torch_dist', 'zarr'。默认为'torch_dist'。
  • no_initialization: 不对权重进行初始化，默认为True。
  • auto_detect_ckpt_format: 自动检测ckpt format为legacy还是distributed格式。默认为True。
  • exit_on_missing_checkpoint: 如果设置了–-load，但找不到检查点，则直接退出，而不是初始化。默认为True。

分布式参数:

  • distributed_backend: 分布式后端，可选为'nccl', 'gloo'。默认为nccl。
  • 🔥use_distributed_optimizer: 使用分布式优化器。默认为True。
  • 🔥tensor_model_parallel_size: tp数，默认为1。
  • 🔥pipeline_model_parallel_size: pp数，默认为1。
  • 🔥decoder_first_pipeline_num_layers: decoder第一个流水线阶段所包含的Transformer层数。默认为 None，表示将Transformer层数平均分配到所有流水线阶段。
  • 🔥decoder_last_pipeline_num_layers: decoder最后一个流水线阶段所包含的Transformer层数。默认为 None，表示将Transformer层数平均分配到所有流水线阶段。
  • 🔥sequence_parallel: 启动序列并行的优化器。默认为False。
  • 🔥context_parallel_size: cp数，默认为1。
  • tp_comm_overlap: 启用张量并行通信与GEMM（通用矩阵乘法）内核的重叠（降低通信耗时）。默认为False。
  • 🔥overlap_grad_reduce: 启用DDP中grad reduce操作的重叠（降低DP通信耗时）。默认为False。
  • 🔥overlap_param_gather: 启用分布式优化器中参数all-gather的重叠（降低DP通信耗时）。默认为False。
  • distributed_timeout_minutes: torch.distributed的timeout时间（单位为分钟），该参数失效，使用基础参数中的ddp_timeout控制，默认为300000分钟。

日志参数:

  • log_params_norm: 记录参数的norm。默认为False。
  • log_throughput: 记录每个GPU的吞吐量。默认为False。
    • 注意：在非packing情况下，log_throughput并不准确，因为seq_length并不等于真实序列长度。
  • tensorboard_log_interval: 记录到tensorboard的间隔（steps），默认为1。
  • tensorboard_queue_size: 队列长度（与磁盘IO相关），类似于写入的间隔。默认为50。
  • log_timers_to_tensorboard: 记录timers到tensorboard。默认为True。
  • no_log_learning_rate_to_tensorboard: 不记录学习率到tensorboard。默认为False。
  • log_validation_ppl_to_tensorboard: 将验证困惑度写入tensorboard。默认为True。
  • log_memory_to_tensorboard: 将内存日志写入tensorboard。默认为True。
  • logging_level: 日志级别。默认为None。
  • wandb_project: wandb 项目名称。默认为''，即忽略wandb。
  • wandb_exp_name: wandb 实验名称。默认为''。
  • wandb_save_dir: 本地保存 wandb 结果的路径。默认为''。

评估参数:

  • 🔥eval_iters: 评估的迭代次数，默认为-1，根据验证数据集的数量设置合适的值。
    • 注意：若使用流式数据集，该值需要手动设置。
  • 🔥eval_interval: 评估的间隔（steps），即每训练多少steps进行评估，默认为None，即设置为save_interval。

fp8参数:

  • fp8_format: 用于前向和反向传播中FP8张量的FP8格式方案。可选为'e4m3'，'hybrid'。默认为None。
  • fp8_recipe: 用于前向和反向传播中 FP8 张量的 FP8 算法方案。可选为'tensorwise', 'delayed', 'mxfp8', 'blockwise'。默认为'delayed'。
  • fp8_amax_history_len: 每个张量记录 amax 历史的步数。默认为1024。
  • fp8_amax_compute_algo: 用于根据历史记录计算 amax 的算法。可选为'most_recent', 'max'。默认为'max'。
  • fp8_param_gather: 保持计算参数为 fp8（不使用任何其他中间数据类型），并在 fp8 格式下执行参数的 all-gather 操作。默认为False。

混合精度参数:

  • fp16: fp16模式。默认为None，会根据模型的torch_dtype进行设置。torch_dtype默认读取config.json。
  • bf16: bf16模式。默认为None，会根据模型的torch_dtype进行设置。
  • apply_query_key_layer_scaling: 将Q * K^T 缩放为 1 / 层数（例如：第layer_num层则除以layer_num）。这对fp16训练很有帮助。默认为None，即若使用--fp16，则设置为True。
  • attention_softmax_in_fp32: 在attention_mask和softmax中使用fp32进行计算。默认为True。

模型参数: （以下参数通常不需要进行设置，会根据HF模型的config.json进行配置，用户无需关心）

  • num_layers: transformer layers的层数，默认为None。
  • hidden_size: transformer hidden size，默认为None。
  • ffn_hidden_size: transformer FFN层的hidden size。默认为None，设置为4*hidden_size。
  • num_attention_heads: transformer attention heads的个数，默认为None。
  • group_query_attention: 默认为None。若num_query_groups>1，group_query_attention设置为True，否则为False。
  • num_query_groups: 默认为1。
  • max_position_embeddings: 位置编码的最大长度，默认为None。
  • position_embedding_type: 位置编码的类型，可选为'learned_absolute'、'rope'、'mrope'、'relative'和'none'，默认为'rope'。
  • rotary_base: 默认为10000。
  • rotary_percent: 默认为1.。
  • normalization: 可选为'LayerNorm', 'RMSNorm'，默认为RMSNorm。
  • norm_epsilon: 默认为1e-5。
  • swiglu: 使用swiglu替代默认的gelu。默认为True。
  • untie_embeddings_and_output_weights: 解开embedding和输出权重的绑定，默认为True。
  • disable_bias_linear: 禁用linear层的bias。默认为True。
  • add_qkv_bias: 仅在QKV的linear中增加bias，默认为True。
  • attention_dropout: 默认为0.。
  • hidden_dropout: 默认为0.。
  • kv_channels: 默认为None，设置为args.hidden_size // args.num_attention_heads。
  • qk_layernorm: 是否对Q和K进行层归一化。
  • transformer_impl: 使用哪种transformer实现，可选项为'local'和'transformer_engine'。默认为transformer_engine。
  • padded_vocab_size: 完整词表大小，默认为None。
  • rope_scaling: rope_scaling相关参数，默认为None。格式参考llama3.1 config.json，传入json字符串。

MoE参数:

  • num_experts: MoE的专家数，默认为None。自动从config.json读取。
  • moe_layer_freq: MoE 层与 Dense 层之间的分布频率。默认为None。从config.json中读取。
  • moe_ffn_hidden_siz: 每个专家的前馈网络（ffn）的隐藏层大小。默认为None，自动从config.json读取。若未读取到且num_experts不为None，则设置为ffn_hidden_size。
  • moe_shared_expert_intermediate_size: 共享专家的总FFN隐藏层大小。如果有多个共享专家，它应等于 num_shared_experts * ffn_size_of_each_shared_expert。 默认为None。自动从config.json读取。
  • moe_router_topk: 每个token路由到的专家数量。默认为None。自动从config.json读取。
  • moe_router_pre_softmax: 为MoE启用预softmax路由，这意味着softmax会在top-k选择之前进行。默认为None。自动从config.json读取。
  • 🔥moe_router_dtype: 用于路由计算和专家输出加权平均的数据类型。可选为'none', 'fp32'、'fp64'，这增强了数值稳定性，尤其是在专家数量较多时。与moe_permute_fusion一起使用时，性能影响可以忽略不计。默认为'fp32'。'none'代表不改变数据类型。
  • moe_router_score_function: MoE TopK 路由的评分函数。可以为 "softmax" 或 "sigmoid"。默认为None，从config.json中读取。
  • moe_router_bias_update_rate: 在无辅助损失负载均衡策略中，专家偏置的更新速率。专家偏置根据每个专家在全局批次中被分配的 token 数量进行更新，对于分配到的 token 较少的专家，偏置会增加；对于分配到的 token 较多的专家，偏置会减少。默认值 1e-3，与 DeepSeekV3 中使用的值相同。
  • moe_router_enable_expert_bias: 在无辅助损失负载均衡策略中，带有动态专家偏置的 TopK 路由。路由决策基于路由分数与专家偏置之和。详情请参见：https://arxiv.org/abs/2408.15664。默认为None，自动从config.json读取。
  • moe_router_topk_scaling_factor: 默认为None。从config.json中读取。
  • moe_router_load_balancing_type: 确定路由器的负载均衡策略。可选项为"aux_loss"、"seq_aux_loss"、"sinkhorn"、"none"。默认值为 None。从config.json中读取。
  • 🔥expert_model_parallel_size: 专家并行数，默认为1。
  • moe_token_dispatcher_type: 要使用的token分发器类型。可选选项包括 'allgather'、'alltoall'、'flex'和'alltoall_seq'。默认值为'alltoall'。
  • moe_enable_deepep: 实验性功能，启用DeepSeek/DeepEP以实现 MoE 模型中的高效令牌分发与组合。仅在设置--moe_token_dispatcher_type flex使用灵活令牌分发器时生效。
  • 🔥moe_grouped_gemm: 当每个rank包含多个专家时，通过在多个流中启动多个本地 GEMM 内核，利用 TransformerEngine中的GroupedLinear提高利用率和性能。默认为False。
  • 🔥moe_permute_fusion: 在令牌分发过程中融合令牌重排操作。默认为False。
  • 🔥moe_aux_loss_coeff: 辅助损失的缩放系数：建议的初始值为 1e-2。默认为None。自动从config.json读取。
  • moe_z_loss_coeff: z-loss 的缩放系数。默认为None。
  • moe_expert_capacity_factor: 每个专家的容量因子，None表示不会丢弃任何token。默认为None。自动从config.json读取。
  • 🔥moe_shared_expert_overlap: 启用共享专家计算与调度器通信之间的重叠。如果不启用此选项，共享专家将在路由专家之后执行。仅在设置了moe_shared_expert_intermediate_size时有效。默认为False。
  • moe_token_drop_policy: 可选为'probs', 'position'。默认为'probs'。

mla参数

  • multi_latent_attention: 是否使用MLA。默认为False。
  • q_lora_rank: Query 张量低秩表示的rank值。默认为None，自动从config.json读取。
  • kv_lora_rank: Key 和 Value 张量低秩表示的秩（rank）值。默认为None，自动从config.json读取。
  • qk_head_dim: QK 投影中 head 的维度。 q_head_dim = qk_head_dim + qk_pos_emb_head_dim。默认为None，自动从config.json读取。
  • qk_pos_emb_head_dim: QK 投影中位置嵌入的维度。默认为None，自动从config.json读取。

Tuner参数:

  • train_type: 可选为'lora'和'full'。默认为'full'。

全参数训练：

  • freeze_parameters: 需要被冻结参数的前缀，默认为[]。
  • freeze_parameters_regex: 需要被冻结参数的正则表达式，默认为None。
  • freeze_parameters_ratio: 从下往上冻结的参数比例，默认为0。可设置为1将所有参数冻结，结合trainable_parameters设置可训练参数。该参数不兼容pp并行。
  • trainable_parameters: 额外可训练参数的前缀，默认为[]。
  • trainable_parameters_regex: 匹配额外可训练参数的正则表达式，默认为None。

lora训练：

  • adapter_load: 加载adapter的权重路径，用于lora断点续训，默认为None。lora断点续训方式与全参数一致，请关注--finetune参数的含义。
  • 🔥target_modules: 指定lora模块的后缀, 默认为['all-linear']。
  • 🔥target_regex: 指定lora模块的regex表达式，默认为None。如果该值传入，则target_modules参数失效。
  • 🔥modules_to_save: 在已附加tuner后，额外指定一部分原模型模块参与训练和存储。默认为[]。
  • 🔥lora_rank: 默认为8。
  • 🔥lora_alpha: 默认为32。
  • lora_dropout: 默认为0.05。
  • lora_bias: 默认为'none'，可以选择的值: 'none'、'all'。如果你要将bias全都设置为可训练，你可以设置为'all'。
  • use_rslora: 默认为False，是否使用RS-LoRA。

DPO参数:

  • ref_load: ref_model的加载路径。默认为None，即设置为load。
  • beta: 含义与TRL相同。控制与参考模型偏差程度的参数。beta值越高，表示与参考模型的偏差越小。对于 IPO 损失函数 (loss_type="ipo")，beta是论文中所指的正则化参数。默认为0.1。
  • rpo_alpha: 来自RPO 论文中的参数，用于控制损失函数中NLL项的权重（即SFT损失）。loss = dpo_loss + rpo_alpha * nll_loss。默认为1。
  • reference_free: 是否忽略提供的参考模型，并隐式地使用一个对所有响应赋予相等概率的参考模型。默认为False。
  • label_smoothing: 默认为0.。
  • f_divergence_type: 默认为reverse_kl。可选值参考TRL文档。
  • loss_type: 默认为'sigmoid'。可选值参考TRL文档。

训练参数

Megatron训练参数继承自Megatron参数和基本参数。基本参数的内容可以参考这里。此外还包括以下参数：

  • add_version: 在save上额外增加目录'<版本号>-<时间戳>'防止权重覆盖，默认为True。
  • padding_free: 将一个batch中的数据进行展平而避免数据padding，从而降低显存占用并加快训练。默认为True。
    • 若要自定义attention_mask，你可以设置--padding_free false。
  • mlp_padding_free: 默认为False。用于padding_free设置为false时，对mlp进行padding_free优化。这可以在自定义attention_mask的同时，提升训练速度和减少显存占用。
  • 🔥packing: 是否使用序列packing，默认为False。当前支持megatron pt/sft。
  • packing_cache: 指定 packing 缓存目录。默认值为None，表示缓存将存储在环境变量 $MODELSCOPE_CACHE所指定的路径下。在跨节点使用 packing 功能时，需确保所有节点的 packing 缓存路径共享且一致。你可以通过设置MODELSCOPE_CACHE环境变量，或在命令行中添加 --packing_cache <shared_path>参数来实现这一要求。
    • 注意：该参数将在"ms-swift>=3.7"被移除。多机packing不再需要设置packing_cache。
  • 🔥streaming: 流式读取并处理数据集，默认False。通常在处理大型数据集时，设置为True。更多流式的参数查看命令行参数文档。
  • lazy_tokenize: 默认为False。若该参数设置为False，则在训练之前对所有的数据集样本进行tokenize（这可以避免在训练中出现报错）；设置为True，则在训练中对数据集进行tokenize（这可以节约内存）。
  • max_epochs: 训练到max_epochs时强制退出训练，并对权重进行验证和保存。该参数在使用流式数据集时很有用。默认为None。
    • 注意：如果你使用非流式数据集，该参数会为你自动计算train_iters，你不需要手动传入train_iters。

RLHF参数

除了继承训练参数外，还支持以下参数：

  • rlhf_type: 默认为'dpo'。目前可选择为'dpo'。
  • loss_scale: 覆盖基本参数中的loss_scale。默认为'last_round'。
  • calculate_per_token_loss: 覆盖Megatron参数，默认为False。