Snowflake 最近發(fā)布了 Arctic，這是他們的 混合專家 (MoE) 模型，可以處理 128 個(gè) token，擁有大約 4790 億個(gè)參數(shù)，這使其成為執(zhí)行大規(guī)模任務(wù)的高效模型。Arctic 旨在為各種應(yīng)用程序和用例提供卓越的性能，包括 SQL 數(shù)據(jù)副駕駛和預(yù)測分析。
Arctic 的突出特點(diǎn)之一是它能夠跨多種硬件配置高效擴(kuò)展，因此特別適合部署在高性能機(jī)器上，例如配備 8xH100 GPU 的 NVIDIA Cluster/Server。Arctic 的推理功能可與 Hugging Face、NVIDIA TensorRT 以及 vLLM 配合使用。通過采用 FP8 量化將浮點(diǎn)數(shù)的精度降低為 8 位格式，該模型可以在單個(gè) GPU 實(shí)例上運(yùn)行。雖然此設(shè)置尚未完全優(yōu)化，但它可以在批處理大小為 1 的情況下實(shí)現(xiàn)超過每秒 70 個(gè)令牌的吞吐量。
準(zhǔn)備好親自體驗(yàn)Hugging Face 的 Snowflake-Arctic-instruct 模型了嗎？在本博客中，我們將引導(dǎo)您完成捷智算平臺(tái)的 8xH100裸機(jī)服務(wù)器上的環(huán)境設(shè)置、模型加載和推理執(zhí)行。以下是在捷智算平臺(tái)上進(jìn)行配置的步驟 。
一、配置
如果您尚未注冊(cè)捷智算平臺(tái)， 請(qǐng)先注冊(cè)。以下是我們將在本教程中使用的配置：
機(jī)器：8 xH100 裸機(jī)服務(wù)器
操作系統(tǒng)：Ubuntu 22.04 LTS
已安裝的軟件包：Nvidia-Cuda 12.1-toolkit、Python 3.10.*、Pytorch for Cuda 12.1
首先，使用以下命令檢查實(shí)例上 GPU 的詳細(xì)信息和 CUDA 版本：
請(qǐng)注意，在上面的屏幕截圖中，用于此測試的機(jī)器之前運(yùn)行的是 Cuda 12.4，它遇到了 Cuda 可用的PyTorch版本的問題。
我們建議在 H100 GPU 上使用帶有 535 NVIDIA 驅(qū)動(dòng)程序的 Cuda 12.1。要將 Cuda 版本降級(jí)到 12.1，首先需要?jiǎng)h除現(xiàn)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，重新安裝所需的nvidia-toolkit 。只需按照Ubuntu 22.04 的Nvidia-Cuda 12.1-toolkit說明進(jìn)行操作即可。接下來，重新啟動(dòng)計(jì)算機(jī)并運(yùn)行nvidia-smi ：它應(yīng)該確認(rèn)您的 Cuda 版本為 12.1。
二、安裝機(jī)器學(xué)習(xí)框架 Pytorch
我們需要安裝 Pytorch 庫來檢查 GPU 兼容性。
運(yùn)行以下命令；
pip install torch torchvision torchaudio # Install Pytorch
要檢查它與您的 H100 GPU 的兼容性，可以使用以下方法：
>>> import torch
>>> use_cuda = torch.cuda.is_available()
此命令將返回一個(gè)布爾值（True/False），讓您知道 GPU 是否可用。如果為 false，則表示您的實(shí)例需要安裝 Nvidia 的 Fabric Manager。這是 8 路 A100 和 H100 系統(tǒng)所必需的。
Nvidia 的 Fabric Manager 是什么？
NVIDIA 的 Fabric Manager 是 NVIDIA 數(shù)據(jù)中心 GPU 管理生態(tài)系統(tǒng)的一部分，專門用于管理和優(yōu)化服務(wù)器內(nèi)或服務(wù)器網(wǎng)絡(luò)中 GPU 之間的連接和通信。該軟件在使用多個(gè) GPU 處理復(fù)雜計(jì)算的大規(guī)模環(huán)境中起著至關(guān)重要的作用，例如在高性能計(jì)算 (HPC)、深度學(xué)習(xí)和其他數(shù)據(jù)密集型應(yīng)用程序中。了解有關(guān)Nvidia 的 Fabric 管理器的更多信息。
在安裝 Fabric Manager 之前，需要先安裝 Nvidia 的數(shù)據(jù)中心 GPU 管理器 (DCGM) 庫。閱讀有關(guān)Nvidia 的 DCGM的更多信息。以下是在 Linux 機(jī)器上安裝 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
以下是安裝 Fabric Manager 的步驟，安裝 Fabric Manager 后，重新啟動(dòng)系統(tǒng)，運(yùn)行以下命令啟動(dòng) NVIDIA Fabric Manager 服務(wù)：
sudo apt-get install -y cuda-drivers-fabricmanager-535
sudo systemctl --now enable nvidia-dcgm
dcgmi discovery -l
為了驗(yàn)證安裝，我們使用 dcgmi 來查詢系統(tǒng)。您應(yīng)該看到系統(tǒng)中所有受支持的 GPU（以及任何 NVSwitches）的列表，請(qǐng)參閱以下屏幕截圖：
現(xiàn)在運(yùn)行剩余的命令來啟動(dòng)結(jié)構(gòu)管理器服務(wù)：
sudo systemctl start nvidia-fabricmanager
sudo systemctl status nvidia-fabricmanager
以下是正在運(yùn)行的 Fabric Manager 服務(wù)的屏幕截圖：
讓我們快速測試 Pytorch 與我們的 GPU 的兼容性。
>> import torch
>>> use_cuda = torch.cuda.is_available()
>>> print(use_cuda)
上述命令現(xiàn)在應(yīng)該返回 TRUE。
三、虛擬環(huán)境和庫
現(xiàn)在，讓我們啟動(dòng)一個(gè)具有 root 訪問權(quán)限的虛擬環(huán)境，以使用 Snowflake 的 Arctic 模型設(shè)置推理。
使用以下命令安裝并激活虛擬環(huán)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.
請(qǐng)參閱Snowflake-arctic 在 Github 上的官方 repo來安裝所需的庫以及一些其他庫：
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
通過安裝 Hugging Face CLI傳遞 Hugging Face READ令牌：
pip install huggingface-cli
huggingface-cli login
CLI 設(shè)置完成后，安裝 flash-attn 庫。
什么是 Flash Attention？
Transformer 架構(gòu)的擴(kuò)展主要受限于自注意力機(jī)制，這需要大量的時(shí)間和內(nèi)存。硬件方面的最新改進(jìn)提高了計(jì)算能力，但對(duì)內(nèi)存或數(shù)據(jù)傳輸卻沒有多大幫助。這往往會(huì)導(dǎo)致注意力操作期間內(nèi)存出現(xiàn)瓶頸。Flash Attention是一種旨在解決此問題的算法，它使擴(kuò)展 Transformer 以加快訓(xùn)練和推理速度變得更加容易。
pip install wheel
pip install flash-attn --no-build-isolation
如果上述命令沒有安裝flash-attn ，則克隆flash-attn repo 并按照README 文件中的步驟操作。
四、創(chuàng)建可執(zhí)行文件
接下來，創(chuàng)建一個(gè) Python 可執(zhí)行文件來加載并運(yùn)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]))
請(qǐng)注意，由于模型很大（大約空間~1000G），我們?cè)?Python 腳本中通過使用 os.environ 映射對(duì)象提供了路徑，代表環(huán)境變量。請(qǐng)參閱第 4 行：
os.environ[ 'HF_HOME' ] = '/dev/shm'
否則，默認(rèn)下載將轉(zhuǎn)到/root/.cache 。
通過運(yùn)行df -h命令，我們可以選擇模型權(quán)重的下載路徑。否則，如果您沒有指定正確的路徑，可能會(huì)遇到磁盤空間問題。
五、故障排除
如果在執(zhí)行上述 Python 文件時(shí)遇到此錯(cuò)誤：
ImportError: cannot import name 'LlamaTokenizer' from 'transformers.models.llama'
然后，對(duì)tokenization_arctic.py進(jìn)行更改：
nano /dev/shm/huggingface/modules/transformers_modules/Snowflake/snowflake-arctic-instruct/314d82d80be3cf48aedfe33c82513c030a1238d7/tokenization_arctic.py
并將標(biāo)記化文件 tokenization_arctic.py 從：
transformers.models.llama import LlamaTokenizer
到
from transformers import LlamaTokenizer
使其看起來像這樣：
現(xiàn)在，當(dāng)您執(zhí)行 Python 腳本時(shí)，我們可以看到正在下載模型權(quán)重。請(qǐng)注意，下載可能需要最多 20 分鐘才能完成。
python3 arctic-test.py
一旦模型下載完畢，fp_quantizer 就會(huì)加載到環(huán)境中，幾秒鐘內(nèi)我們就會(huì)看到我們的模型正在運(yùn)行推理。
模型推理的輸出：
<|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 — 注意掩碼和 pad token id 未設(shè)置。因此，您可能會(huì)觀察到意外行為。請(qǐng)傳遞輸入的“attention_mask”以獲得可靠的結(jié)果?？梢酝ㄟ^在generation_config中設(shè)置pad_token_id來解決。對(duì)于在Hugging Face上完成的任何文本生成任務(wù)，此警告很常見。這里有一個(gè)解釋。
就是這樣，您現(xiàn)在正在捷智算平臺(tái)的 8 x H100裸機(jī)服務(wù)器上對(duì) Snowflake-Arctic-instruct 模型進(jìn)行推理。
為您的 AI 驅(qū)動(dòng)業(yè)務(wù)釋放 Snowflake Arctic 的強(qiáng)大力量。立即開始在捷智算平臺(tái)上部署 Arctic ！
