翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# HyperPod Slurm クラスターの事前トレーニングのチュートリアル (GPU)
<a name="hyperpod-gpu-slurm-pretrain-tutorial"></a>

次のチュートリアルでは、Slurm 環境を設定し、Llama 80 億パラメータモデルでトレーニングジョブを開始します。

**前提条件**  
環境を設定してレシピを実行する前に、以下を確認してください。  
HyperPod GPU Slurm クラスターをセットアップします。  
HyperPod Slurm クラスターでは、Nvidia Enroot と Pyxis が有効になっている必要があります (これらはデフォルトで有効になっています)。
共有ストレージの場所。Amazon FSx ファイルシステムでも、クラスターノードからアクセスできる NFS システムでもかまいません。
以下の形式のいずれか。  
JSON
JSONGZ (圧縮 JSON)
ARROW
(オプション) HuggingFace のモデル重みを事前トレーニングまたはファインチューニングに使用する場合は、HuggingFace トークンを取得する必要があります。アクセストークンの詳細については、「[ユーザーアクセストークン](https://huggingface.co/docs/hub/en/security-tokens)」を参照してください。

## HyperPod GPU Slurm 環境のセットアップ
<a name="hyperpod-gpu-slurm-environment-setup"></a>

HyperPod GPU Slurm クラスターでトレーニングジョブを開始するには、次の手順を実行します。

1. クラスターのヘッドノードに SSH 接続します。

1. ログインしたら、仮想環境を設定します。Python 3.9 以降を使用していることを確認します。

   ```
   #set up a virtual environment
   python3 -m venv ${PWD}/venv
   source venv/bin/activate
   ```

1. 共有ストレージの場所に、SageMaker HyperPod レシピと SageMaker HyperPod アダプタリポジトリのクローンを作成します。

   ```
   git clone https://github.com/aws/sagemaker-hyperpod-training-adapter-for-nemo.git
   git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
   cd sagemaker-hyperpod-recipes
   pip3 install -r requirements.txt
   ```

1. Enroot を使用してスカッシュファイルを作成します。SMP コンテナの最新リリースを確認するには、「[SageMaker モデル並列処理ライブラリのリリースノート](model-parallel-release-notes.md)」を参照してください。Enroot ファイルの使用方法の詳細については、[「ビルド AWS最適化 Nemo-Launcher イメージ](https://github.com/aws-samples/awsome-distributed-training/tree/main/3.test_cases/2.nemo-launcher#2-build-aws-optimized-nemo-launcher-image)」を参照してください。

   ```
   REGION="{{<region>}}"
   IMAGE="658645717510.dkr.ecr.${{{REGION}}}.amazonaws.com/smdistributed-modelparallel:2.4.1-gpu-py311-cu121"
   aws ecr get-login-password --region ${{{REGION}}} | docker login --username AWS --password-stdin 658645717510.dkr.ecr.${{{REGION}}}.amazonaws.com
   enroot import -o $PWD/smdistributed-modelparallel.sqsh dockerd://${IMAGE}
   mv $PWD/smdistributed-modelparallel.sqsh "/fsx/{{<any-path-in-the-shared-filesystem>}}"
   ```

1. Enroot スカッシュファイルを使用してトレーニングを開始するには、次の例を使用して、`recipes_collection/config.yaml` ファイルを変更します。

   ```
   container: /fsx/path/to/your/smdistributed-modelparallel.sqsh
   ```

## トレーニングジョブを起動する
<a name="hyperpod-gpu-slurm-launch-training-job"></a>

依存関係をインストールしたら、`sagemaker-hyperpod-recipes/launcher_scripts` ディレクトリからトレーニングジョブを開始します。依存関係を取得するには、[SageMaker HyperPod レシピリポジトリ](https://github.com/aws/sagemaker-hyperpod-recipes)のクローンを作成します。

まず、Github からトレーニングレシピを選択します。モデル名はレシピの一部として指定されます。次の例では、`launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh` スクリプトを使用して、シーケンス長 8192 の事前トレーニングレシピ `llama/hf_llama3_8b_seq16k_gpu_p5x16_pretrain` を持つ Llama 8b を起動します。
+ `IMAGE`: 環境設定セクションのコンテナ。
+ (オプション) 次の key-value ペアを設定することで、HuggingFace から事前トレーニング済みの重みが必要な場合は、HuggingFace トークンを指定できます。

  ```
  recipes.model.hf_access_token={{<your_hf_token>}}
  ```

```
#!/bin/bash
IMAGE="${YOUR_IMAGE}"
SAGEMAKER_TRAINING_LAUNCHER_DIR="${SAGEMAKER_TRAINING_LAUNCHER_DIR:-${PWD}}"

TRAIN_DIR="${YOUR_TRAIN_DIR}" # Location of training dataset
VAL_DIR="${YOUR_VAL_DIR}" # Location of validation dataset

# experiment ouput directory
EXP_DIR="${YOUR_EXP_DIR}"

HYDRA_FULL_ERROR=1 python3 "${SAGEMAKER_TRAINING_LAUNCHER_DIR}/main.py" \
  recipes=training/llama/hf_llama3_8b_seq16k_gpu_p5x16_pretrain \
  base_results_dir="${SAGEMAKER_TRAINING_LAUNCHER_DIR}/results" \
  recipes.run.name="hf_llama3_8b" \
  recipes.exp_manager.exp_dir="$EXP_DIR" \
  recipes.model.data.train_dir="$TRAIN_DIR" \
  recipes.model.data.val_dir="$VAL_DIR" \
  container="${IMAGE}" \
  +cluster.container_mounts.0="/fsx:/fsx"
```

ランチャースクリプトで必要なパラメータをすべて設定したら、次のコマンドを使用してスクリプトを実行できます。

```
bash launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh
```

Slurm クラスターの設定に関する詳細は、「[HyperPod Slurm でのトレーニングジョブの実行](cluster-specific-configurations-run-training-job-hyperpod-slurm.md)」を参照してください。