这个困惑非常典型,这正是从"理解者"到"创造者"的关键跃迁阶段。让我们用建造房子的比喻,结合具体代码实例,拆解这个转化过程:
示例代码(已加注释):
import os
import platform
import time
import math
import warnings
import torch
import torch.distributed as dist
from torch import optim
from torch.nn.parallel import DistributedDataParallel
from torch.optim.lr_scheduler import CosineAnnealingLR
from torch.utils.data import DataLoader, DistributedSampler
from contextlib import nullcontext
from model.model import Transformer
from model.LMConfig import LMConfig
from model.dataset import PretrainDataset
# 忽略警告信息
warnings.filterwarnings('ignore')
# 定义日志打印函数,仅在主进程(rank 0)打印日志信息
def Logger(content):
if not ddp or dist.get_rank() == 0:
print(content)
# 定义学习率调度函数,根据当前迭代次数计算学习率,采用余弦退火策略
def get_lr(it, all):
warmup_iters = 0 # 预热迭代次数
lr_decay_iters = all # 学习率衰减的总迭代次数
min_lr = learning_rate / 10 # 最小学习率
# 如果当前迭代次数小于预热迭代次数,使用线性预热策略
if it < warmup_iters:
return learning_rate * it / warmup_iters
# 如果当前迭代次数大于衰减迭代次数,返回最小学习率
if it > lr_decay_iters:
return min_lr
# 计算衰减系数,使用余弦退火策略
decay_ratio = (it - warmup_iters) / (lr_decay_iters - warmup_iters)
assert 0 <= decay_ratio <= 1
coeff = 0.5 * (1.0 + math.cos(math.pi * decay_ratio))
return min_lr + coeff * (learning_rate - min_lr)
# 定义训练 epoch 的函数
def train_epoch(epoch, accumulation_steps=8):
start_time = time.time() # 记录开始时间
for step, (X, Y) in enumerate(train_loader): # 遍历数据加载器
X = X.to(device) # 将输入数据移动到设备上
Y = Y.to(device) # 将目标数据移动到设备上
lr = get_lr(epoch * iter_per_epoch + step, epochs * iter_per_epoch) # 计算当前学习率
for param_group in optimizer.param_groups:
param_group['lr'] = lr # 设置优化器的学习率
with ctx: # 使用混合精度训练(如果设备是 GPU)
out = model(X, Y) # 前向传播,计算输出
loss = out.last_loss / accumulation_steps # 计算损失,并进行梯度累积
scaler.scale(loss).backward() # 反向传播,计算梯度
# 每 accumulation_steps 步进行一次梯度更新
if (step + 1) % accumulation_steps == 0:
scaler.unscale_(optimizer) # 反缩放梯度
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) # 梯度裁剪
scaler.step(optimizer) # 更新模型参数
scaler.update() # 更新缩放器
optimizer.zero_grad(set_to_none=True) # 清空梯度
# 每 100 步打印一次训练信息
if step % 100 == 0:
spend_time = time.time() - start_time # 计算已用时间
Logger(
'Epoch:[{}/{}]({}/{}) loss:{:.3f} lr:{:.7f} epoch_Time:{}min:'.format(
epoch,
epochs,
step,
iter_per_epoch,
loss.item() * accumulation_steps,
optimizer.param_groups[-1]['lr'],
spend_time / (step + 1) * iter_per_epoch // 60 - spend_time // 60))
# 每 1000 步保存一次模型
if (step + 1) % 1000 == 0 and (not ddp or dist.get_rank() == 0):
model.eval() # 切换到评估模式
# torch.save(model.state_dict(), '{}/iter_{}.pth'.format(save_dir, int(step + epoch * iter_per_epoch)))
moe_path = '_moe' if lm_config.use_moe else '' # 根据是否使用 MoE 设置保存路径
ckp = f'{save_dir}/pretrain_{lm_config.dim}{moe_path}.pth'
if isinstance(model, torch.nn.parallel.DistributedDataParallel):
state_dict = model.module.state_dict() # 获取模型状态字典
else:
state_dict = model.state_dict()
torch.save(state_dict, ckp) # 保存模型
model.train() # 切换回训练模式
# 定义初始化模型的函数
def init_model():
def count_parameters(model):
return sum(p.numel() for p in model.parameters() if p.requires_grad) # 计算模型可训练参数的数量
# 初始化模型
model = Transformer(lm_config).to(device)
moe_path = '_moe' if lm_config.use_moe else ''
# ckp = f'{save_dir}/pretrain_{lm_config.dim}{moe_path}.pth'
#
# state_dict = torch.load(ckp, map_location=device)
# unwanted_prefix = '_orig_mod.'
# for k, v in list(state_dict.items()):
# if k.startswith(unwanted_prefix):
# state_dict[k[len(unwanted_prefix):]] = state_dict.pop(k)
# model.load_state_dict(state_dict, strict=False)
Logger(f'LLM总参数量:{count_parameters(model) / 1e6:.3f} 百万') # 打印模型总参数量
return model
# 定义初始化分布式训练环境的函数
def init_distributed_mode():
if not ddp: return
global ddp_local_rank, DEVICE
dist.init_process_group(backend="nccl") # 初始化分布式进程组,使用 NCCL 后端
ddp_rank = int(os.environ["RANK"]) # 获取当前进程的 rank
ddp_local_rank = int(os.environ["LOCAL_RANK"]) # 获取当前进程的本地 rank
ddp_world_size = int(os.environ["WORLD_SIZE"]) # 获取分布式训练的总进程数
DEVICE = f"cuda:{ddp_local_rank}" # 设置当前设备的 CUDA 设备
torch.cuda.set_device(DEVICE) # 设置当前设备的 CUDA 设备
# torchrun --nproc_per_node 2 1-pretrain.py
# I/O
if __name__ == "__main__":
# -----------------------------------------------------------------------------
lm_config = LMConfig() # 加载配置文件
max_seq_len = lm_config.max_seq_len # 获取最大序列长度
out_dir = 'out' # 设置输出目录
epochs = 20 # 设置训练 epoch 数
batch_size = 64 # 设置批量大小
learning_rate = 2e-4 # 设置初始学习率
device = 'cuda:0' # 设置设备为 CUDA:0
dtype = 'bfloat16' # 设置数据类型为 bfloat16
save_dir = os.path.join(out_dir) # 设置模型保存目录
os.makedirs(save_dir, exist_ok=True) # 创建模型保存目录
os.makedirs(out_dir, exist_ok=True) # 创建输出目录
tokens_per_iter = batch_size * max_seq_len # 计算每个迭代处理的 token 数量
torch.manual_seed(1337) # 设置随机种子
device_type = device if "cuda" in device else "cpu" # 设置设备类型
ctx = (
nullcontext() # 如果设备是 CPU,使用 nullcontext
if device_type == "cpu"
else torch.cuda.amp.autocast() # 如果设备是 GPU,使用混合精度训练
)
ddp = int(os.environ.get("RANK", -1)) != -1 # 判断是否为分布式训练
ddp_local_rank, DEVICE = 0, "cuda:0" # 初始化分布式训练的本地 rank 和设备
if ddp:
init_distributed_mode() # 初始化分布式训练环境
device = torch.device(DEVICE) # 设置设备
# -----------------------------------------------------------------------------
# -----init dataloader------
data_path_list = ['./dataset/pretrain_data.bin'] # 设置数据路径
train_ds = PretrainDataset(data_path_list, max_length=max_seq_len, memmap=True) # 初始化数据集
train_sampler = DistributedSampler(train_ds) if ddp else None # 如果是分布式训练,使用分布式采样器
num_workers = 8 # 设置数据加载器的 num_workers
train_loader = DataLoader(
train_ds,
batch_size=batch_size,
pin_memory=True,
drop_last=False,
shuffle=False,
num_workers=num_workers,
sampler=train_sampler
) # 初始化数据加载器
# init model
model = init_model() # 初始化模型
scaler = torch.cuda.amp.GradScaler(enabled=(dtype == dtype)) # 初始化梯度缩放器
# optimizer
optimizer = optim.Adam(model.parameters(), lr=learning_rate) # 初始化优化器
# compile the model
if False and platform.system() != 'Windows' and float(torch.__version__.split('.')[0]) >= 2:
Logger("compiling the model... (takes a ~minute)")
unoptimized_model = model
model = torch.compile(model) # 编译模型(如果条件满足)
if ddp:
# Ignore the freqs_cis buffer so that DDP does not broadcast it at
# construction time since NCCL does not support ComplexFloat
model._ddp_params_and_buffers_to_ignore = {"pos_cis"} # 设置 DDP 忽略的参数和缓冲区
model = DistributedDataParallel(model, device_ids=[ddp_local_rank]) # 使用 DDP 包装模型
# training loop
iter_per_epoch = len(train_loader) # 计算每个 epoch 的迭代次数
for epoch in range(epochs): # 遍历每个 epoch
train_epoch(epoch) # 训练一个 epoch
# 理论:预训练需要 1.数据 2.模型 3.训练循环
# 伪代码:
数据集 = 加载文本()
模型 = 初始化Transformer()
优化器 = 选择Adam()
for 轮次 in 总训练轮次:
for 批次 in 数据加载器:
输入, 目标 = 预处理(批次)
预测 = 模型(输入)
损失 = 计算loss(预测, 目标)
反向传播()
更新参数()
实操步骤:
# v0.1 最简版本
import torch
def main():
# 硬件检测
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"使用设备:{device}")
# 空架子
model = None # 待填充
data_loader = None # 待填充
optimizer = None # 待填充
# 训练循环外壳
for epoch in range(10):
print(f"第 {epoch} 轮开始")
for batch in data_loader:
inputs, targets = batch
# 前向传播占位符
loss = torch.tensor(0.0)
# 反向传播占位符
loss.backward()
# 参数更新占位符
optimizer.step()
optimizer.zero_grad()
if __name__ == "__main__":
main()
# v0.2 添加真实模型
from model import Transformer # 假设已有现成模型
def init_model(device):
model = Transformer().to(device)
print("模型参数量:", sum(p.numel() for p in model.parameters()))
return model
# 在main()中替换:
model = init_model(device)
# v0.3 添加真实数据
from torch.utils.data import DataLoader
def get_dataloader():
# 先用随机数据测试
class FakeDataset:
def __len__(self):
return 1000
def __getitem__(self, idx):
return torch.randn(1024), torch.randint(0, 100, (1024,))
return DataLoader(FakeDataset(), batch_size=32)
# 在main()中替换:
data_loader = get_dataloader()
# v0.4 真实训练步骤
def train_step(batch, model, optimizer, device):
inputs, targets = batch
inputs = inputs.to(device)
targets = targets.to(device)
# 前向传播
outputs = model(inputs)
loss = torch.nn.functional.cross_entropy(outputs.view(-1, outputs.size(-1)),
targets.view(-1))
# 反向传播
loss.backward()
# 参数更新
optimizer.step()
optimizer.zero_grad()
return loss.item()
# 在训练循环中替换:
loss = train_step(batch, model, optimizer, device)
print(f"当前loss: {loss:.4f}")
# 在v1.0基础上添加
from torch.optim.lr_scheduler import CosineAnnealingLR
def main():
...
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
scheduler = CosineAnnealingLR(optimizer, T_max=10)
for epoch in range(10):
...
scheduler.step()
print(f"当前学习率:{scheduler.get_last_lr()[0]:.2e}")
解剖现有代码:
功能替换练习:
# 原代码:
from transformers import AutoTokenizer
# 尝试替换为:
from my_tokenizer import SimpleTokenizer # 自实现简单分词器
参数调试验证:
# 尝试修改:
args.batch_size = 2 # 极小的batch size
args.max_seq_len = 64 # 缩短序列长度
# 观察是否仍能运行
橡皮鸭调试法:
对每个函数进行口头解释,比如:
def get_lr(it, total):
# 这个函数就像给AI调整学习速度的遥控器
# 开始时要慢慢加速(warmup)
# 后期要慢慢刹车(cosine衰减)
...
版本控制游戏:
git commit -m "添加了会呼吸的学习率"
git commit -m "给数据加载器装上涡轮增压"
Bug收藏家:
建立error笔记,记录经典错误:
## 2024-05-20 梯度爆炸事件
**现象**:loss突然变成NaN
**诊断**:忘记梯度裁剪
**修复**:添加 torch.nn.utils.clip_grad_norm_()
**心得**:梯度就像气球,不控制会爆炸
实战任务:
在1-pretrain.py基础上:
创建my_trainer.py
:
# 参考1-pretrain.py的核心逻辑
# 但只用最基本的PyTorch功能实现
# 目标:300行内完成可运行的训练流程
功能扩展挑战:
# 添加一个简单的进度条:
from tqdm import tqdm
for batch in tqdm(data_loader, desc="训练中"):
...
记住,每个优秀的程序员都是一行行"笨代码"堆砌出来的。你现在看到的精炼代码,就像雕塑家最后的成品——要知道在它之前,工作室里堆满了粗糙的草稿和失败的尝试。保持这种探索的热情,你正在通往精通的路上稳步前行!