Trainium Kubernetes クラスターの事前トレーニングチュートリアル - Amazon SageMaker AI
Trainium Kubernetes 環境をセットアップするSageMaker HyperPod CLI を使用してトレーニングジョブを起動するレシピランチャーを使用してトレーニングジョブを起動する

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。

Trainium Kubernetes クラスターの事前トレーニングチュートリアル

Trainium Kubernetes クラスターでトレーニングジョブを開始するには、次のいずれかの方法を使用できます。

前提条件

環境のセットアップを開始する前に、以下を確認します。

  • HyperPod Trainium Kubernetes クラスターをセットアップする

  • クラスターノードからアクセスできる Amazon FSx ファイルシステムまたは NFS システムである共有ストレージの場所。

  • 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」を参照してください。

Trainium Kubernetes 環境をセットアップする

Trainium Kubernetes 環境を設定するには、以下を実行します。

  1. [データセットをダウンロード] から始まる HuggingFace Llama3-8B 事前トレーニングのチュートリアルの手順を実行します。

  2. モデルの設定を準備します。これは、Neuron レポジトリで取得できます。このチュートリアルでは、llama3 8b モデル設定を使用できます。

  3. 仮想環境のセットアップ。Python 3.9 以降を使用していることを確認します。

    python3 -m venv ${PWD}/venv
source venv/bin/activate

  4. 依存関係をインストールする

    • (推奨) 次の HyperPod コマンドラインツールを使用します。

      # install HyperPod command line tools
git clone https://github.com/aws/sagemaker-hyperpod-cli
cd sagemaker-hyperpod-cli
pip3 install .

    • SageMaker HyperPod レシピを使用している場合は、以下を指定します。

      # install SageMaker HyperPod Recipes.
git clone --recursive git@github.com:aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

  5. kubectl と eksctl のセットアップ

  6. Helm をインストールする

  7. Kubernetes クラスターに接続する

    aws eks update-kubeconfig --region "${CLUSTER_REGION}" --name "${CLUSTER_NAME}"
hyperpod connect-cluster --cluster-name "${CLUSTER_NAME}" [--region "${CLUSTER_REGION}"] [--namespace <namespace>]

  8. コンテナ: Neuron コンテナ

SageMaker HyperPod CLI を使用してトレーニングジョブを起動する

SageMaker HyperPod コマンドラインインターフェイス (CLI) ツールを使用して、設定でトレーニングジョブを送信することをお勧めします。次の例では、hf_llama3_8b_seq8k_trn1x4_pretrain Trainium モデルのトレーニングジョブを送信します。

  • your_neuron_container: Neuron コンテナ

  • your_model_config: 環境設定セクションのモデル設定

  • (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>"

hyperpod start-job --recipe training/llama/hf_llama3_8b_seq8k_trn1x4_pretrain \
--persistent-volume-claims fsx-claim:data \
--override-parameters \
'{
 "cluster": "k8s",
 "cluster_type": "k8s",
 "container": "<your_neuron_contrainer>",
 "recipes.run.name": "hf-llama3",
 "recipes.run.compile": 0,
 "recipes.model.model_config": "<your_model_config>",
 "instance_type": "trn1.32xlarge",
 "recipes.data.train_dir": "<your_train_data_dir>"
}'

トレーニングジョブを送信したら、次のコマンドを使用して、送信が正常に完了したかどうかを確認できます。

kubectl get pods
NAME                              READY   STATUS             RESTARTS        AGE
hf-llama3-<your-alias>-worker-0   0/1     running         0               36s

STATUS が PENDING または ContainerCreating の場合は、以下のコマンドを実行して詳細を取得します。

kubectl describe pod name_of_pod

ジョブの STATUS が Running に変わったら、以下のコマンドを使用してログを確認できます。

kubectl logs name_of_pod

kubectl get pods を実行すると、STATUS は Completed になります。

レシピランチャーを使用してトレーニングジョブを起動する

または、SageMaker HyperPod レシピを使用してトレーニングジョブを送信できます。レシピを使用してトレーニングジョブを送信するには、k8s.yaml と config.yaml を更新します。モデルの bash スクリプトを実行して起動します。

  • k8s.yaml で persistent_volume_claims を更新して、Amazon FSx クレームをコンピューティングノードの /data ディレクトリにマウントします。

    persistent_volume_claims:
  - claimName: fsx-claim
    mountPath: data

  • launcher_scripts/llama/run_hf_llama3_8b_seq8k_trn1x4_pretrain.sh を更新します。

    • your_neuron_contrainer: 環境設定セクションのコンテナ

    • your_model_config: 環境設定セクションのモデル設定

    (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
#Users should set up their cluster type in /recipes_collection/config.yaml
IMAGE="<your_neuron_contrainer>"
MODEL_CONFIG="<your_model_config>"
SAGEMAKER_TRAINING_LAUNCHER_DIR=${SAGEMAKER_TRAINING_LAUNCHER_DIR:-"$(pwd)"}
TRAIN_DIR="<your_training_data_dir>" # Location of training dataset
VAL_DIR="<your_val_data_dir>" # Location of talidation dataset

HYDRA_FULL_ERROR=1 python3 "${SAGEMAKER_TRAINING_LAUNCHER_DIR}/main.py" \
  recipes=training/llama/hf_llama3_8b_seq8k_trn1x4_pretrain \
  base_results_dir="${SAGEMAKER_TRAINING_LAUNCHER_DIR}/results" \
  recipes.run.name="hf-llama3-8b" \
  instance_type=trn1.32xlarge \
  recipes.model.model_config="$MODEL_CONFIG" \
  cluster=k8s \
  cluster_type=k8s \
  container="${IMAGE}" \
  recipes.data.train_dir=$TRAIN_DIR \
  recipes.data.val_dir=$VAL_DIR

  • ジョブを起動する

    bash launcher_scripts/llama/run_hf_llama3_8b_seq8k_trn1x4_pretrain.sh

トレーニングジョブを送信したら、次のコマンドを使用して、送信が正常に完了したかどうかを確認できます。

kubectl get pods
NAME                             READY   STATUS             RESTARTS        AGE
hf-llama3-<your-alias>-worker-0   0/1     running         0               36s

STATUS が PENDING または ContainerCreating の場合は、以下のコマンドを実行して詳細を取得します。

kubectl describe pod name_of_pod

ジョブのステータスが「実行中」に変わったら、以下のコマンドを使用してログを確認できます。

kubectl logs name_of_pod

kubectl get pods を実行すると、STATUS は Completed になります。

k8s クラスターの設定に関する詳細については、「Trainium Kubernetes クラスターの事前トレーニングチュートリアル」を参照してください。