환경 준비
pip install torch
# 혹은
# pip install torch==1.8.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html
# 등등 CUDA 버전 맞춰서..
pip install transformers[deepspeed]
pip install git+https://github.com/huggingface/transformers
git clone https://github.com/huggingface/transformers
mv transformers/examples/pytorch/language-modeling/* .
rm -rf transformers
pip install -r requirements.txt위와 같이 설치를 모두 진행해주면 OK.
💡
아래 학습은 RTX Titan * 1대, 그리고 RAM 128G, CPU 64c 이상의 환경에서 진행했습니다. 학습시 약 13GB의 VRam을 소모합니다.
모두 준비된 깃헙 Repo
아래 Github Repo를 clone해서 사용하셔도 됩니다. (다만 실행 시점 최신이 아닐 수 있음)
데이터셋/Tokenizer 준비
이 부분은 각자 준비하는 것이 있을 테니.. 샘플로만 준비.
Dataset = KcBERT에서 일부 샘플링한 것
wget -O sampled_20190101_20200611_v2.txt https://www.dropbox.com/s/n8th7qnwpa1bt3r/sampled_20190101_20200611_v2.txt?dl=1Tokenizer = KcELECTRA 것(huggingface model)
DeepSpeed Stage 2 = ZeRO-2
DeepSpeed Config 파일 준비(ZeRO-2)
아래 파일을 ds_zero2_1gpu.json 으로 만들어 저장해두자.
{
"fp16": {
"enabled": "auto",
"loss_scale": 0,
"loss_scale_window": 1000,
"initial_scale_power": 16,
"hysteresis": 2,
"min_loss_scale": 1
},
"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": 2,
"allgather_partitions": true,
"allgather_bucket_size": 2e8,
"overlap_comm": true,
"reduce_scatter": true,
"reduce_bucket_size": 2e8,
"contiguous_gradients": true,
"cpu_offload": true
},
"gradient_accumulation_steps": "auto",
"gradient_clipping": "auto",
"train_batch_size": "auto",
"train_micro_batch_size_per_gpu": "auto"
}학습 커맨드 파일 준비(ZeRO-2)
💡
Batch Size(BS)만 적당히 조절해서 쓰자.
# export NCCL_IB_DISABLE=1
export BS=32
export NCCL_DEBUG=INFO
deepspeed run_mlm.py \
--seed 42 \
--model_type bert \
--tokenizer_name beomi/KcELECTRA-base \
--train_file ./sampled_20190101_20200611_v2.txt \
--num_train_epochs 2 \
--per_device_train_batch_size $BS \
--per_device_eval_batch_size $BS \
--do_train \
--output_dir ./test-bert-zero2 \
--fp16 \
--logging_first_step \
--max_seq_length 300 \
--deepspeed ./ds_zero2_1gpu.json 위 스크립트를 sh 파일로 만들어 실행하거나 혹은 그대로 복사 & 붙여넣기를 해도 된다.
샘플 실행 로그(ZeRO-2)
DeepSpeed Stage 3 = ZeRO-3
DeepSpeed Config 파일 준비(ZeRO-3)
아래 파일을 ds_zero3_1gpu.json 으로 만들어 저장해두자.
{
"fp16": {
"enabled": "auto",
"loss_scale": 0,
"loss_scale_window": 1000,
"initial_scale_power": 16,
"hysteresis": 2,
"min_loss_scale": 1
},
"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": 1e14,
"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_fp16_weights_on_model_save": true
},
"gradient_accumulation_steps": "auto",
"gradient_clipping": "auto",
"steps_per_print": 2000,
"train_batch_size": "auto",
"train_micro_batch_size_per_gpu": "auto",
"wall_clock_breakdown": false
}학습 커맨드 파일 준비(ZeRO-3)
💡
Batch Size(BS)만 적당히 조절해서 쓰자.
# export NCCL_IB_DISABLE=1
export BS=32
export NCCL_DEBUG=INFO
deepspeed run_mlm.py \
--seed 42 \
--model_type bert \
--tokenizer_name beomi/KcELECTRA-base \
--train_file ./sampled_20190101_20200611_v2.txt \
--num_train_epochs 2 \
--per_device_train_batch_size $BS \
--per_device_eval_batch_size $BS \
--do_train \
--output_dir ./test-bert-full \
--fp16 \
--logging_first_step \
--max_seq_length 300 \
--deepspeed ./ds_zero3_1gpu.json 위 스크립트를 sh 파일로 만들어 실행하거나 혹은 그대로 복사 & 붙여넣기를 해도 된다.