Snowflake 最近发布了 Arctic,这是他们的 混合专家 (MoE) 模型,可以处理 128 个 token,拥有大约 4790 亿个参数,这使其成为执行大规模任务的高效模型。Arctic 旨在为各种应用程序和用例提供卓越的性能,包括 SQL 数据副驾驶和预测分析。
Arctic 的突出特点之一是它能够跨多种硬件配置高效扩展,因此特别适合部署在高性能机器上,例如配备 8xH100 GPU 的 NVIDIA Cluster/Server。Arctic 的推理功能可与 Hugging Face、NVIDIA TensorRT 以及 vLLM 配合使用。通过采用 FP8 量化将浮点数的精度降低为 8 位格式,该模型可以在单个 GPU 实例上运行。虽然此设置尚未完全优化,但它可以在批处理大小为 1 的情况下实现超过每秒 70 个令牌的吞吐量。
准备好亲自体验Hugging Face 的 Snowflake-Arctic-instruct 模型了吗?在本博客中,我们将引导您完成捷智算平台的 8xH100裸机服务器上的环境设置、模型加载和推理执行。以下是在捷智算平台上进行配置的步骤 。
一、配置
如果您尚未注册捷智算平台, 请先注册。以下是我们将在本教程中使用的配置:
机器:8 xH100 裸机服务器
操作系统:Ubuntu 22.04 LTS
已安装的软件包:Nvidia-Cuda 12.1-toolkit、Python 3.10.*、Pytorch for Cuda 12.1
首先,使用以下命令检查实例上 GPU 的详细信息和 CUDA 版本:
请注意,在上面的屏幕截图中,用于此测试的机器之前运行的是 Cuda 12.4,它遇到了 Cuda 可用的PyTorch版本的问题。
我们建议在 H100 GPU 上使用带有 535 NVIDIA 驱动程序的 Cuda 12.1。要将 Cuda 版本降级到 12.1,首先需要删除现有的 12.4 版 Cuda。
sudo apt-get --purge remove "*cublas*" "*cufft*" "*curand*"
"*cusolver*" "*cusparse*" "*npp*" "*nvjpeg*" "cuda*" "nsight*"
sudo apt-get autoremove # To clean up the uninstall
清除后,重新安装所需的nvidia-toolkit 。只需按照Ubuntu 22.04 的Nvidia-Cuda 12.1-toolkit说明进行操作即可。接下来,重新启动计算机并运行nvidia-smi :它应该确认您的 Cuda 版本为 12.1。
二、安装机器学习框架 Pytorch
我们需要安装 Pytorch 库来检查 GPU 兼容性。
运行以下命令;
pip install torch torchvision torchaudio # Install Pytorch
要检查它与您的 H100 GPU 的兼容性,可以使用以下方法:
>>> import torch
>>> use_cuda = torch.cuda.is_available()
此命令将返回一个布尔值(True/False),让您知道 GPU 是否可用。如果为 false,则表示您的实例需要安装 Nvidia 的 Fabric Manager。这是 8 路 A100 和 H100 系统所必需的。
Nvidia 的 Fabric Manager 是什么?
NVIDIA 的 Fabric Manager 是 NVIDIA 数据中心 GPU 管理生态系统的一部分,专门用于管理和优化服务器内或服务器网络中 GPU 之间的连接和通信。该软件在使用多个 GPU 处理复杂计算的大规模环境中起着至关重要的作用,例如在高性能计算 (HPC)、深度学习和其他数据密集型应用程序中。了解有关Nvidia 的 Fabric 管理器的更多信息。
在安装 Fabric Manager 之前,需要先安装 Nvidia 的数据中心 GPU 管理器 (DCGM) 库。阅读有关Nvidia 的 DCGM的更多信息。以下是在 Linux 机器上安装 DCGM 的命令。
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /"
$ sudo apt-get update && sudo apt-get install -y datacenter-gpu-manager # Install dcgm
以下是安装 Fabric Manager 的步骤,安装 Fabric Manager 后,重新启动系统,运行以下命令启动 NVIDIA Fabric Manager 服务:
sudo apt-get install -y cuda-drivers-fabricmanager-535
sudo systemctl --now enable nvidia-dcgm
dcgmi discovery -l
为了验证安装,我们使用 dcgmi 来查询系统。您应该看到系统中所有受支持的 GPU(以及任何 NVSwitches)的列表,请参阅以下屏幕截图:
现在运行剩余的命令来启动结构管理器服务:
sudo systemctl start nvidia-fabricmanager
sudo systemctl status nvidia-fabricmanager
以下是正在运行的 Fabric Manager 服务的屏幕截图:
让我们快速测试 Pytorch 与我们的 GPU 的兼容性。
>> import torch
>>> use_cuda = torch.cuda.is_available()
>>> print(use_cuda)
上述命令现在应该返回 TRUE。
三、虚拟环境和库
现在,让我们启动一个具有 root 访问权限的虚拟环境,以使用 Snowflake 的 Arctic 模型设置推理。
使用以下命令安装并激活虚拟环境:
# Create virtual environment
sudo apt install python3-venv
python3 -m venv <virtual-env-name>
source <v-env-name>/bin/activate #activates your virtual env.
请参阅Snowflake-arctic 在 Github 上的官方 repo来安装所需的库以及一些其他库:
pip install deepspeed>=0.14.2
pip install transformers>=4.39.0
pip install huggingface_hub[hf_transfer]
pip install accelerate
pip install SentencePiece
pip install protobuf
pip install -U transformers # Upgrades transformers
通过安装 Hugging Face CLI传递 Hugging Face READ令牌:
pip install huggingface-cli
huggingface-cli login
CLI 设置完成后,安装 flash-attn 库。
什么是 Flash Attention?
Transformer 架构的扩展主要受限于自注意力机制,这需要大量的时间和内存。硬件方面的最新改进提高了计算能力,但对内存或数据传输却没有多大帮助。这往往会导致注意力操作期间内存出现瓶颈。Flash Attention是一种旨在解决此问题的算法,它使扩展 Transformer 以加快训练和推理速度变得更加容易。
pip install wheel
pip install flash-attn --no-build-isolation
如果上述命令没有安装flash-attn ,则克隆flash-attn repo 并按照README 文件中的步骤操作。
四、创建可执行文件
接下来,创建一个 Python 可执行文件来加载并运行 Arctic-Instruct 模型arctic-test.py。
import os
# enable hf_transfer for faster ckpt download
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
os.environ['HF_HOME'] = '/dev/shm'#Change the default root directory
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from deepspeed.linear.config import QuantizationConfig
tokenizer = AutoTokenizer.from_pretrained(
"Snowflake/snowflake-arctic-instruct",
trust_remote_code=True
)
quant_config = QuantizationConfig(q_bits=8)
# The 150GiB number is a workaround until we have HFQuantizer support, must be ~1.9x of the available GPU memory
model = AutoModelForCausalLM.from_pretrained(
"Snowflake/snowflake-arctic-instruct",
low_cpu_mem_usage=True,
trust_remote_code=True,
device_map="auto",
ds_quantization_config=quant_config,
max_memory={i: "150GiB" for i in range(8)},
torch_dtype=torch.bfloat16)
messages = [{"role": "user", "content": "What is 1 + 1 "}]
input_ids = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda")
outputs = model.generate(input_ids=input_ids, max_new_tokens=20)
print(tokenizer.decode(outputs[0]))
请注意,由于模型很大(大约空间~1000G),我们在 Python 脚本中通过使用 os.environ 映射对象提供了路径,代表环境变量。请参阅第 4 行:
os.environ[ 'HF_HOME' ] = '/dev/shm'
否则,默认下载将转到/root/.cache 。
通过运行df -h命令,我们可以选择模型权重的下载路径。否则,如果您没有指定正确的路径,可能会遇到磁盘空间问题。
五、故障排除
如果在执行上述 Python 文件时遇到此错误:
ImportError: cannot import name 'LlamaTokenizer' from 'transformers.models.llama'
然后,对tokenization_arctic.py进行更改:
nano /dev/shm/huggingface/modules/transformers_modules/Snowflake/snowflake-arctic-instruct/314d82d80be3cf48aedfe33c82513c030a1238d7/tokenization_arctic.py
并将标记化文件 tokenization_arctic.py 从:
transformers.models.llama import LlamaTokenizer
到
from transformers import LlamaTokenizer
使其看起来像这样:
现在,当您执行 Python 脚本时,我们可以看到正在下载模型权重。请注意,下载可能需要最多 20 分钟才能完成。
python3 arctic-test.py
一旦模型下载完毕,fp_quantizer 就会加载到环境中,几秒钟内我们就会看到我们的模型正在运行推理。
模型推理的输出:
<|im_start|> user
What is 1 + 1 <|im_end|>
<|im_start|>assistant
1 + 1 equals 2.<|im_end|>
如果您看到警告 — 注意掩码和 pad token id 未设置。因此,您可能会观察到意外行为。请传递输入的“attention_mask”以获得可靠的结果。可以通过在generation_config中设置pad_token_id来解决。对于在Hugging Face上完成的任何文本生成任务,此警告很常见。这里有一个解释。
就是这样,您现在正在捷智算平台的 8 x H100裸机服务器上对 Snowflake-Arctic-instruct 模型进行推理。
为您的 AI 驱动业务释放 Snowflake Arctic 的强大力量。立即开始在捷智算平台上部署 Arctic !