Tiếp theoHướng dẫn tiếp theo
Slurm cho các cụm đào tạo AI
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Kiểm tra điểm kiểm tra và đào tạo có thể tiếp tục
Checkpoint sharding saves a large model or training state across multiple pieces for manageable storage and loading.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
A resumable training checkpoint also records the state needed to continue an interrupted run, and restart tests establish what it can restore.
Lặn sâu
A weight checkpoint contains model parameters; a resumable training checkpoint also needs relevant optimizer, scheduler, step, random-number-generator, and data-loading state. Sharding divides large tensors or state across files and workers so saving and loading can avoid gathering everything on one rank. PyTorch Distributed Checkpoint supports distributed state saving and resharding during loading when supported by the chosen state and configuration. Sharded model weights on the Hugging Face Hub can use an index mapping parameter names to files, but weight shards alone do not capture a training run’s full progress. Applications must include their required state and validate recovery after an interrupted save or a changed environment.
Triển khai trong thế giới thực
Một mô hình biên giới chạy trên hàng nghìn GPU tự động lưu các điểm kiểm tra được phân chia cứ sau vài trăm bước để một nút bị lỗi chỉ tốn vài phút chứ không phải vài ngày.
Hugging Face phân phối một mô hình mở lớn dưới dạng nhiều phân đoạn safetensor cộng với một index.json để người dùng có thể tải xuống và tải từng phần một.
Một nhà nghiên cứu tiếp tục quá trình tinh chỉnh bị gián đoạn nhằm khôi phục động lượng, số bước và vị trí trình tải dữ liệu chính xác của trình tối ưu hóa để tiếp tục liền mạch.
Đào tạo phiên bản tại chỗ về GPU đám mây giá rẻ có thể ưu tiên sử dụng trước, trong đó các điểm kiểm tra được phân chia thường xuyên giúp công việc tồn tại dù bị loại bỏ và lên lịch lại.
Tương lai của việc bảo vệ điểm kiểm tra và đào tạo có thể tiếp tục
Kiểm tra điểm đang chuyển từ một sự kiện định kỳ dừng thế giới sang một thứ gì đó không đồng bộ và gần như miễn phí. Mong đợi nhiều điểm kiểm tra trong bộ nhớ và chồng chéo hơn để ghi các phân đoạn ở chế độ nền trong khi quá trình đào tạo tiếp tục, cộng với các điểm kiểm tra được mã hóa và sao chép để tồn tại trong các lỗi nút phổ biến ở quy mô nghìn GPU. Các cửa hàng đối tượng trên đám mây và các cấp NVMe cục bộ nhanh hơn sẽ lưu trữ các phân đoạn và các định dạng được tiêu chuẩn hóa như bộ kiểm soát an toàn sẽ tiếp tục cải thiện tính năng tải một phần, nhanh chóng, an toàn cho cả quá trình tiếp tục đào tạo và triển khai suy luận.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Checkpoint Sharding and Resumable Training quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Checkpoint Sharding and Resumable Training?
Checkpoint sharding saves a large model or training state across multiple pieces for manageable storage and loading. A resumable training checkpoint also records the state needed to continue an interrupted run, and restart tests establish what it can restore.
Tại sao các điểm kiểm tra mô hình lớn được chia thành các phân đoạn?
Các điểm kiểm tra khổng lồ (hàng trăm GB) không thể thực hiện được dưới dạng một tệp; sharding cho phép nhiều cấp bậc viết các lát cắt của chúng song song và cho phép tải từng phần.
Which extra state is typically needed for training resumption beyond model weights?
Weight shards alone do not restore optimizer history or the next intended batch. The application must save the required training progress and randomness state.
Lợi ích chính của việc đào tạo có thể tiếp tục làm việc lâu dài là gì?
Với các điểm kiểm tra có thể tiếp tục, một lần chạy bị gián đoạn sẽ tải lại trạng thái đã lưu cuối cùng của nó và tiếp tục, thay vì lãng phí nhiều ngày tính toán.
In a sharded distributed checkpoint, how can ranks avoid gathering the entire state on one worker?
Distributed checkpointing uses local state partitions and metadata. Ordinary replicated data parallelism does not automatically shard every tensor.
Tệp chỉ mục đóng vai trò gì trong các điểm kiểm tra được phân chia?
Một chỉ mục (ví dụ: index.json) ghi lại phân đoạn chứa từng tham số để trình tải có thể tìm nạp và tập hợp lại các phần phù hợp.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này