Tutorial de pré-treinamento de clusters do Slurm no HyperPod (GPU) - Amazon SageMaker AI
Configuração do ambiente de GPU do Slurm no HyperPodIniciar a tarefa de treinamento

Tutorial de pré-treinamento de clusters do Slurm no HyperPod (GPU)

O tutorial a seguir configura o ambiente do Slurm e inicia uma tarefa de treinamento em um modelo Llama com 8 bilhões de parâmetros.

Pré-requisitos

Antes de começar a configurar seu ambiente para executar a fórmula, você deve:

  • Configurar um cluster de GPU do Slurm no HyperPod.

    • O cluster do Slurm no HyperPod deve ter o NVIDIA Enroot e o Pyxis habilitados (eles estão habilitados por padrão).

  • Ter um local de armazenamento compartilhado. Pode ser um sistema de arquivos do Amazon FSx ou um sistema do NFS acessível por meio dos nós do cluster.

  • Ter dados em um dos seguintes formatos:

    • JSON

    • JSONGZ (JSON compactado)

    • ARROW

  • (Opcional) Você deve obter um token do HuggingFace se estiver usando os pesos do modelo do HuggingFace para pré-treinamento ou ajuste fino. Para ter mais informações sobre como obter o token, consulte User access tokens.

Configuração do ambiente de GPU do Slurm no HyperPod

Para iniciar uma tarefa de treinamento em um cluster de GPU do Slurm no HyperPod, faça o seguinte:

  1. Use SSH no nó cabeça do cluster.

  2. Depois de fazer login, configure o ambiente Neuron. Você deve usar o Python 3.9 ou posterior.

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

  3. Clone as fórmulas do SageMaker HyperPod e os repositórios do adaptador do SageMaker HyperPod em um local de armazenamento compartilhado.

    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

  4. Crie um arquivo squash usando o Enroot. Para encontrar a versão mais recente do contêiner da SMP, consulteNotas de lançamento da biblioteca de paralelismo de modelos do SageMaker. Para compreender melhor como usar o arquivo Enroot, consulte Build AWS-optimized Nemo-Launcher image.

    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>"

  5. Para usar o arquivo squash do Enroot para iniciar o treinamento, use o exemplo a seguir para modificar o arquivo recipes_collection/config.yaml.

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

Iniciar a tarefa de treinamento

Depois de instalar as dependências, inicie uma tarefa de treinamento no diretório sagemaker-hyperpod-recipes/launcher_scripts. Você obtém as dependências clonando o repositório de fórmulas do SageMaker HyperPod:

Primeiro, escolha sua fórmula de treinamento no GitHub. O nome do modelo é especificado como parte da fórmula. Usamos o script launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh para executar o Llama 8b usando uma fórmula de pré-treinamento com um tamanho de sequência de 8.192, llama/hf_llama3_8b_seq16k_gpu_p5x16_pretrain, no exemplo a seguir.

  • IMAGE: o contêiner da seção de configuração do ambiente.

  • (Opcional) Você pode fornecer o token do HuggingFace se precisar de pesos pré-treinados do HuggingFace definindo o seguinte par de chave-valor:

    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"

Depois de configurar todos os parâmetros necessários no script de execução, você pode executar o script usando o comando a seguir.

bash launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh

Para ter mais informações sobre como configurar um cluster do Slurm, consulte Executar uma tarefa de treinamento do Slurm no HyperPod.