Ajustez finement le modèle GPT-OSS 120B d'OpenAI à l'aide de l'entraînement distribué.
Effectuez l'affinement supervisé (SFT) du grand modèle GPT-OSS à 120 milliards de paramètres sur 8 GPU H100 à l'aide d'AI Runtime. L'entraînement exploite :
- FSDP (Fully Sharded Data Parallel) : Fragmente les paramètres du modèle, les gradients et les états de l'optimiseur sur les GPU pour permettre l'entraînement de grands modèles qui ne tiennent pas sur un seul GPU.
- DDP (Distributed Data Parallel) : Distribue l’entraînement sur plusieurs GPU pour un entraînement plus rapide.
- LoRA (Low-Rank Adaptation) : Réduit le nombre de parameters entraînables en ajoutant de petites couches d’adaptateur, ce qui rend l’affinement plus efficace.
- **TRL (Transformers Reinforcement Learning)** : Fournit le SFTTrainer pour l'affinement supervisé.
En définissant remote=False et en spécifiant 16 GPU, cela peut être étendu à l'entraînement multi-nœuds sur 16 GPU.
Se connecter au compute GPU serverless
Ce Notebook s'exécute sur le compute GPU Serverless Databricks avec des accélérateurs H100. Connecter :
- Dans le sélecteur compute, en haut à droite, sélectionnez GPU serverless .
- Dans le panneau **Environnement** à droite, sélectionnez **H100** comme accélérateur (8 puces H100 sur un seul nœud).
- Définissez la version de l’environnement sur 4 .
- Cliquez sur Appliquer .
Ce notebook n'utilise pas d'environnement de base ; il installe ses bibliothèques requises dans la cellule suivante.
Installez les packages requis
Installez les bibliothèques nécessaires pour l'entraînement distribué et l'affinement des modèles :
trl: bibliothèque de Transformers de machine learning par renforcement pour l'entraînement SFTpeft: Affinement Parameter-Efficient pour les adaptateurs LoRAtransformers: Bibliothèque de transformers Hugging Facedatasets: Pour le chargement des dataset d'entraînementaccelerate: pour l'orchestration de la formation distribuéehf_transfer: Pour des téléchargements de modèles plus rapides depuis Hugging Face
Python
%pip install "trl==1.1.0"
%pip install "peft==0.19.1"
%pip install "transformers==5.5.4"
%pip install "fsspec==2024.9.0"
%pip install "huggingface_hub==1.11.0"
%pip install "datasets==3.2.0"
%pip install "accelerate==1.13.0"
%restart_python
Définir la fonction d'entraînement distribué avec FSDP
Cette cellule définit la fonction d'entraînement qui s'exécutera sur 8 GPU H100 à l'aide du décorateur @distributed. La fonction comprend :
- Chargement du modèle : Charge le modèle GPT-OSS de 120 milliards de paramètres avec une précision bfloat16
- Configuration LoRA : Applique l'adaptation de rang faible (Low-Rank Adaptation) avec un rang de 16 pour réduire les paramètres entraînables
- **Configuration FSDP** : Configure Fully Sharded Data Parallel avec un wrapping de couche automatique et un checkpointing d'activation.
- Configuration de l'entraînement : définit la taille du batch, le taux d'apprentissage, l'accumulation de gradient et d'autres hyperparamètres
- **Dataset** : utilise le dataset HuggingFaceH4/Multilingual-Thinking pour l'affinement
La fonction détecte automatiquement les classes de blocs de transformateur pour l’encapsulation FSDP et gère la coordination de l’entraînement distribué sur tous les GPU.
Python
dbutils.widgets.text("uc_catalog", "main")
dbutils.widgets.text("uc_schema", "default")
dbutils.widgets.text("uc_model_name", "gpt-oss-120b-peft")
dbutils.widgets.text("uc_volume", "checkpoints")
dbutils.widgets.text("model", "openai/gpt-oss-120b")
dbutils.widgets.text("dataset_path", "HuggingFaceH4/Multilingual-Thinking")
UC_CATALOG = dbutils.widgets.get("uc_catalog")
UC_SCHEMA = dbutils.widgets.get("uc_schema")
UC_MODEL_NAME = dbutils.widgets.get("uc_model_name")
UC_VOLUME = dbutils.widgets.get("uc_volume")
HF_MODEL_NAME = dbutils.widgets.get("model")
DATASET_PATH = dbutils.widgets.get("dataset_path")
print(f"UC_CATALOG: {UC_CATALOG}")
print(f"UC_SCHEMA: {UC_SCHEMA}")
print(f"UC_MODEL_NAME: {UC_MODEL_NAME}")
print(f"UC_VOLUME: {UC_VOLUME}")
print(f"HF_MODEL_NAME: {HF_MODEL_NAME}")
print(f"DATASET_PATH: {DATASET_PATH}")
OUTPUT_DIR = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/{UC_VOLUME}/{UC_MODEL_NAME}"
print(f"OUTPUT_DIR: {OUTPUT_DIR}")
Python
from serverless_gpu import distributed
@distributed(gpus=8, gpu_type='H100')
def train_gpt_oss_fsdp_120b():
"""
Fine-tune a 120B-class model with TRL SFTTrainer + FSDP2 on H100s.
Uses LoRA + activation ckpt + full_shard auto_wrap.
"""
# --- imports inside for pickle safety ---
import os, torch, torch.distributed as dist
from transformers import AutoModelForCausalLM, AutoTokenizer, Mxfp4Config
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset
from peft import LoraConfig, get_peft_model
# ---------- DDP / CUDA binding ----------
local_rank = int(os.environ.get("LOCAL_RANK", "0"))
torch.cuda.set_device(local_rank)
os.environ.setdefault("TOKENIZERS_PARALLELISM", "false")
os.environ.setdefault("NCCL_DEBUG", "WARN")
os.environ.setdefault("CUDA_LAUNCH_BLOCKING", "0")
os.environ.setdefault("TORCH_NCCL_ASYNC_ERROR_HANDLING", "1") # replaces NCCL_ASYNC_ERROR_HANDLING
# ---------- Config ----------
MAX_LENGTH = 2048
PER_DEVICE_BATCH = 1 # start conservative for 120B
GRAD_ACCUM = 4 # tune for throughput
LR = 1.5e-4
EPOCHS = 1
is_main = int(os.environ.get("RANK", "0")) == 0
world_size = int(os.environ.get("WORLD_SIZE", "1"))
if is_main:
print("=" * 60)
print("FSDP (full_shard) launch for 120B")
print(f"WORLD_SIZE={world_size} | LOCAL_RANK={local_rank}")
print("=" * 60)
# ---------- Tokenizer ----------
tokenizer = AutoTokenizer.from_pretrained(HF_MODEL_NAME)
if tokenizer.pad_token_id is None and tokenizer.eos_token_id is not None:
tokenizer.pad_token = tokenizer.eos_token
tokenizer.model_max_length = MAX_LENGTH
tokenizer.truncation_side = "right"
# ---------- Model ----------
# IMPORTANT: no device_map, no .to(device) — let Trainer/Accelerate+FSDP handle placement
# low_cpu_mem_usage helps with massive checkpoints (still needs decent host RAM)
quantization_config = Mxfp4Config(dequantize=True)
model = AutoModelForCausalLM.from_pretrained(
HF_MODEL_NAME,
dtype=torch.bfloat16,
attn_implementation="eager",
quantization_config=quantization_config,
use_cache=False, # needed for grad ckpt
low_cpu_mem_usage=True,
)
# ---------- LoRA ----------
# the following config works
# include MoE layers as well.
peft_config = LoraConfig(
r=32,
lora_alpha=32,
target_modules="all-linear",
rank_pattern={
"mlp.experts.gate_up_proj": 8,
"mlp.experts.down_proj": 8
},
target_parameters=["mlp.experts.gate_up_proj", "mlp.experts.down_proj"],
lora_dropout=0.0,
bias="none",
task_type="CAUSAL_LM",
)
model = get_peft_model(model, peft_config)
# Cast all parameters to bfloat16 so FSDP sees a uniform dtype
# (LoRA adapters are initialized in float32 by default)
model = model.to(torch.bfloat16)
if is_main:
model.print_trainable_parameters()
# ---------- Data ----------
dataset = load_dataset("HuggingFaceH4/Multilingual-Thinking", split="train")
if is_main:
print(f"Dataset size: {len(dataset)}")
# ---------- FSDP settings ----------
def infer_transformer_blocks_for_fsdp(model):
COMMON = {
"LlamaDecoderLayer", "MistralDecoderLayer", "MixtralDecoderLayer",
"Qwen2DecoderLayer", "Gemma2DecoderLayer", "Phi3DecoderLayer",
"GPTNeoXLayer", "MPTBlock", "BloomBlock", "FalconDecoderLayer",
"DecoderLayer", "GPTJBlock", "OPTDecoderLayer"
}
hits = set()
for _, m in model.named_modules():
name = m.__class__.__name__
if name in COMMON:
hits.add(name)
# Fallback: grab anything that *looks* like a decoder block
if not hits:
for _, m in model.named_modules():
name = m.__class__.__name__
if any(s in name for s in ["Block", "DecoderLayer", "Layer"]) and "Embedding" not in name:
hits.add(name)
return sorted(hits)
fsdp_wrap_classes = infer_transformer_blocks_for_fsdp(model)
if not fsdp_wrap_classes:
raise RuntimeError("Could not infer transformer block classes for FSDP wrapping; "
"print(model) and add the block class explicitly.")
training_args = SFTConfig(
output_dir=OUTPUT_DIR,
num_train_epochs=EPOCHS,
per_device_train_batch_size=PER_DEVICE_BATCH,
gradient_accumulation_steps=GRAD_ACCUM,
learning_rate=LR,
warmup_ratio=0.03,
lr_scheduler_type="cosine",
bf16=True,
logging_steps=5,
logging_strategy="steps",
save_strategy="no",
report_to="none",
ddp_find_unused_parameters=False,
dataloader_pin_memory=True,
max_length=MAX_LENGTH,
gradient_checkpointing=False,
# ---- FSDP2 knobs ----
fsdp="full_shard auto_wrap",
fsdp_config={
"version": 2,
"fsdp_transformer_layer_cls_to_wrap": fsdp_wrap_classes,
"reshard_after_forward": True,
"activation_checkpointing": True, # <- use activation ckpt (not gradient)
"xla": False,
"limit_all_gathers": True,
},
)
# ---------- Trainer ----------
trainer = SFTTrainer(
model=model,
args=training_args,
train_dataset=dataset,
processing_class=tokenizer,
)
# verify distributed init & FSDP
rank = int(os.getenv("RANK", "0"))
print(f"[rank {rank}] dist.is_initialized() -> {dist.is_initialized()}")
acc = getattr(trainer, "accelerator", None)
print(f"[rank {rank}] accelerator.distributed_type = {getattr(getattr(acc,'state',None),'distributed_type','n/a')}")
print(f"[rank {rank}] accelerator.num_processes = {getattr(acc, 'num_processes', 'n/a')}")
# ---------- Train ----------
result = trainer.train()
if is_main:
print("\nTraining complete (FSDP).")
print(result.metrics)
Exécuter le job de formation distribuée
Exécuter la fonction d'entraînement sur 8 GPU H100. Le décorateur @distributed gère l'orchestration du lancement de l'entraînement sur tous les GPU avec une configuration distribuée appropriée.
Python
train_gpt_oss_fsdp_120b.distributed()
Étapes suivantes
- Formation distribuée multi-GPU et multi-nœuds
- Meilleures pratiques pour le compute GPU Serverless
- Résoudre les problèmes sur le compute GPU serverless.
- Documentation PEFT
- Documentation TRL