# 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](https://github.com/modelscope/ms-swift/blob/main/examples/train/megatron/qwen3_moe.sh)、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](./支持的模型和数据集.md)。 ## 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： ```shell # 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' # Megatron-LM # 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](https://github.com/NVIDIA/Megatron-LM/tree/core_r0.13.0)）。 export MEGATRON_LM_PATH='/xxx/Megatron-LM' ``` 或者你也可以使用镜像： ``` modelscope-registry.cn-hangzhou.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.6.3-py311-torch2.7.1-vllm0.10.0-modelscope1.28.2-swift3.7.2 modelscope-registry.cn-beijing.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.6.3-py311-torch2.7.1-vllm0.10.0-modelscope1.28.2-swift3.7.2 modelscope-registry.us-west-1.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.6.3-py311-torch2.7.1-vllm0.10.0-modelscope1.28.2-swift3.7.2 ``` 推荐运行环境： | | 范围 | 推荐 | 备注 | |--------------|--------------|-------------|--------------------| | python | >=3.9 | 3.10 | | | cuda | | cuda12 | | | torch | >=2.0 | 2.6.0 | | | transformer_engine | >=2.3 | 2.5 | | | apex | | 0.1 | | | megatron_core | >=0.12 | 0.13 | | | flash_attn | | 2.7.4.post1/3.0.0b1 | | | transformers | >=4.33 | 4.51.3 | | | modelscope | >=1.23 | | | | peft | >=0.11,<0.18 | | LoRA | | trl | >=0.15,<0.21 | | RLHF | | deepspeed | >=0.14 | 0.16.9 | | ## 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。 - `--test_convert_precision`在MoE转换时所需时间较长，可酌情去除。 ```shell 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。 ```shell 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。 ```shell 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： ```shell 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](https://github.com/modelscope/ms-swift/tree/main/examples/train/megatron)。 - 自定义数据集格式和ms-swift相同，参考[自定义数据集文档](../Customization/自定义数据集.md)。 ## 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](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： ```bash # 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](https://github.com/modelscope/ms-swift/tree/main/examples/train/megatron/lora)。 MCore转换HF脚本： ```bash 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。 如果你只想merge-lora，而不希望转成HF格式权重，用于后续DPO训练，可以使用以下脚本： ```shell CUDA_VISIBLE_DEVICES=0 \ swift export \ --mcore_adapters megatron_output/Qwen2.5-7B-Instruct/vx-xxx \ --to_mcore true \ --torch_dtype bfloat16 \ --output_dir megatron_output/Qwen2.5-7B-Instruct/vx-xxx-mcore \ --test_convert_precision true ``` ## 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](https://github.com/modelscope/ms-swift/tree/main/examples/train/megatron/benchmark)。 **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 flash。 - 注意：推荐flash_attn版本：2.7.4.post1。在"ms-swift<3.7"默认为'auto'。 - 如果安装'flash_attention_3'，则优先使用fa3。训练脚本参考[这里](https://github.com/modelscope/ms-swift/tree/main/examples/train/flash_attention_3)。 - 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。 - 注意：若未使用ms-swift提供的`swift export`进行权重转换，你需要额外设置`--model `用于加载`config.json`配置文件。 - 🔥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: 启动序列并行优化，该参数需要设置`tensor_model_parallel_size`才生效。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](./命令行参数.md#基本参数)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](https://modelscope.cn/models/LLM-Research/Meta-Llama-3.1-8B-Instruct/file/view/master?fileName=config.json&status=1)，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。 - 🔥expert_tensor_parallel_size: 专家TP并行度。默认值为None，即等于`--tensor_model_parallel_size` 的数值。 - 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: 默认为0，不使用aux_loss。 - 注意：在"ms-swift<3.7.1"，其默认为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](https://huggingface.co/docs/trl/main/en/dpo_trainer#trl.DPOConfig)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](https://huggingface.co/papers/2310.12036)中所指的正则化参数。默认为0.1。 - rpo_alpha: 来自[RPO 论文](https://huggingface.co/papers/2404.19733)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](https://huggingface.co/docs/trl/main/en/dpo_trainer)。 - loss_type: 默认为'sigmoid'。可选值参考[TRL文档](https://huggingface.co/docs/trl/main/en/dpo_trainer)。 ### 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](./命令行参数.md#基本参数)。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 `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）。 - 🔥cached_dataset: 训练中使用缓存数据集（使用`swift export --to_cached_dataset true ...`命令产生），避免大型数据集训练时，tokenize占用gpu时。默认为`[]`。 - 注意：cached_dataset支持`--packing`，但不支持`--lazy_tokenize`和`--streaming`。 - 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](./命令行参数.md)中的loss_scale。默认为'last_round'。 - calculate_per_token_loss: 覆盖Megatron参数，默认为False。