# 3. 학습 실행하기

이제 실제로 fine tuning을 실행해 보겠습니다.

# 가속기 Flavor 설정

MoAI Platform에서는 사용자에게 물리 GPU가 노출되지 않습니다. 대신에, PyTorch에서 사용할 수 있는 가상의 MoAI Accelerator를 MoAI Accelerator가 제공됩니다. 가속기의 Flavor를 설정함으로써 실제 물리 GPU를 얼마나 활용할지를 결정할 수 있습니다. 선택한 가속기 Flavor에 따라 총 학습 시간과 GPU 사용 비용이 달라지므로 사용자는 학습 상황을 고려하여 결정해야 합니다. 사용자의 학습 목표에 맞는 가속기 Flavor를 선택하기 위해 LLM Fine-tuning 파라미터 가이드를 참고하세요.

튜토리얼을 계속 진행하기 위해 인프라 제공자에게 각 flavor에 대응되는 GPU 종류 및 개수를 문의하십시오. 다음 중 하나에 해당하는 flavor를 선택하여 계속 진행하십시오.

AMD MI250 GPU 16개 사용
- Moreh의 체험판 컨테이너 사용 시: 4xlarge 선택
- KT Cloud의 Hyperscale AI Computing 사용 시: 4xLarge.2048GB 선택
AMD MI210 GPU 32개 사용
AMD MI300X GPU 8개 사용

앞서 Llama2 13B Fine-tuning - 시작하기 전에 에서 MoAI Accelerator를 확인했던 것을 기억하시나요? 이제 본격적인 학습 실행을 위해 필요한 가속기를 설정해보겠습니다.

먼저 moreh-smi 명령어를 이용해 현재 사용중인 MoAI Accelerator를 확인합니다.

$ moreh-smi
+---------------------------------------------------------------------------------------------------+
|                                                  Current Version: 24.5.0  Latest Version: 24.5.0  |
+---------------------------------------------------------------------------------------------------+
|  Device  |        Name         |      Model     |  Memory Usage  |  Total Memory  |  Utilization  |
+===================================================================================================+
|  * 0     |   MoAI Accelerator  |  xLarge.512GB  |  -             |  -             |  -            |
+---------------------------------------------------------------------------------------------------+

현재 사용중인 MoAI Accelerator의 메모리 크기는 512GB입니다.

moreh-switch-model툴을 사용하여 현재 시스템에서 사용 가능한 가속기 flavor 리스트를 확인할 수 있습니다. 원활한 모델 학습을 위해 moreh-switch-model 명령어를 이용해 더 큰 메모리의 MoAI Accelerator로 변경할 수 있습니다.

$ moreh-switch-model
Current MoAI Accelerator: xLarge.512GB

Small.64GB
Medium.128GB
Large.256GB
xLarge.512GB  *
1.5xLarge.768GB
2xLarge.1024GB
3xLarge.1536GB
4xLarge.2048GB
6xLarge.3072GB
8xLarge.4096GB
12xLarge.6144GB
24xLarge.12288GB
48xLarge.24576GB

여기서 번호를 입력하여 다른 flavor로 전환할 수 있습니다.

이번 튜토리얼에서는 2048GB 크기의 MoAI Accelerator를 이용하겠습니다.

따라서 처음 설정되어 있던 xLarge.512GB flavor를 4xLarge.2048GB 로 전환한 다음 moreh-smi 명령을 사용하여 정상적으로 반영되었는지 확인하겠습니다.

4xLarge.2048GB 사용을 위해 8을 입력합니다.

Selection (1-13, q, Q): 8
The MoAI Accelerator model is successfully switched to  "4xLarge.2048GB".

Small.64GB
Medium.128GB
Large.256GB
xLarge.512GB
1.5xLarge.768GB
2xLarge.1024GB
3xLarge.1536GB
4xLarge.2048GB  *
6xLarge.3072GB
8xLarge.4096GB
12xLarge.6144GB
24xLarge.12288GB
48xLarge.24576GB

Selection (1-13, q, Q): q 

q 를 입력해 변경을 완료합니다.

변경 사항이 잘 반영되었는지 확인하기 위해 다시 moreh-smi 명령어를 이용해 현재 사용중인 MoAI Accelerator를 확인합니다.

$ moreh-smi
+-----------------------------------------------------------------------------------------------------+
|                                                    Current Version: 24.5.0  Latest Version: 24.5.0  |
+-----------------------------------------------------------------------------------------------------+
|  Device  |        Name         |       Model      |  Memory Usage  |  Total Memory  |  Utilization  |
+=====================================================================================================+
|  * 0     |   MoAI Accelerator  |  4xLarge.2048GB  |  -             |  -             |  -            |
+-----------------------------------------------------------------------------------------------------+

4xLarge.2048GB 로 잘 변경된 것을 확인할 수 있습니다.

# 학습 실행

주어진 train_llama2.py 스크립트를 실행합니다.

$ cd ~/quickstart
~/quickstart$ python tutorial/train_llama2.py

학습이 정상적으로 진행된다면 다음과 같은 로그가 출력될 것입니다. 이 로그를 통해 Advanced Parallelism 기능이 올바르게 동작하며 최적의 병렬화 설정이 적용되었음을 확인할 수 있습니다. 이전에 살펴본 PyTorch 스크립트 상에서는 AP 코드 한 줄을 제외한 부분에서 GPU 여러 개를 동시에 사용하기 위한 처리가 전혀 없었음을 참고하십시오.

...
[info] Got DBs from backend for auto config.
[info] Requesting resources for MoAI Accelerator from the server...
[info] Initializing the worker daemon for MoAI Accelerator
[info] [1/4] Connecting to resources on the server (192.168.110.1:24169)...
[info] [2/4] Connecting to resources on the server (192.168.110.26:24169)...
[info] [3/4] Connecting to resources on the server (192.168.110.61:24169)...
[info] [4/4] Connecting to resources on the server (192.168.110.88:24169)...
[info] Establishing links to the resources...
[info] MoAI Accelerator is ready to use.
[info] Moreh Version: 24.5.0
[info] Moreh Job ID: 977753
[info] The number of candidates is 54.
[info] Parallel Graph Compile start...
[info] Elapsed Time to compile all candidates = 80292 [ms]
[info] Parallel Graph Compile finished.
[info] The number of possible candidates is 37.
[info] SelectBestGraphFromCandidates start...
[info] Elapsed Time to compute cost for survived candidates = 49599 [ms]
[info] SelectBestGraphFromCandidates finished.
[info] Configuration for parallelism is selected.
[info] No PP, No TP, recomputation : default(1), distribute_param : true, distribute_low_prec_param : true
[info] train: true
| INFO     | __main__:main:136 - [Step 2/1121] | Loss: 1.84375 | Duration: 2.37 | Throughput: 110643.89 tokens/sec
| INFO     | __main__:main:136 - [Step 4/1121] | Loss: 1.78125 | Duration: 1.66 | Throughput: 158266.52 tokens/sec
| INFO     | __main__:main:136 - [Step 6/1121] | Loss: 1.71875 | Duration: 1.70 | Throughput: 154598.70 tokens/sec
| INFO     | __main__:main:136 - [Step 8/1121] | Loss: 1.734375 | Duration: 1.82 | Throughput: 143925.00 tokens/sec
...

Training Done
Saving Model...
Model saved in ./llama2_summarization

훈련 로그를 확인해 보면 학습이 정상적으로 이루어지는 것을 확인할 수 있습니다.

학습 도중에 출력되는 throughput은 해당 PyTorch 스크립트를 통해 초당 몇 개의 token을 학습하고 있는지를 의미합니다.

AMD MI250 GPU 16개 사용 시: 약 150,000 tokens/sec

GPU 종류 및 개수에 따른 대략적인 학습 소요 시간은 다음과 같습니다.

AMD MI250 GPU 16개 사용 시: 약 4시간

# 학습 중에 가속기 상태 확인

학습 도중에 터미널을 하나 더 띄워서 컨테이너에 접속한 후 moreh-smi 명령을 실행하시면 다음과 같이 MoAI Accelerator의 메모리를 점유하며 학습 스크립트가 실행되는 것을 확인하실 수 있습니다. 실행 로그상에서 초기화 과정이 끝나고 Loss가 출력되는 도중에 확인해 보시기 바랍니다.

$ moreh-smi
+-----------------------------------------------------------------------------------------------------+
|                                                    Current Version: 24.5.0  Latest Version: 24.5.0  |
+-----------------------------------------------------------------------------------------------------+
|  Device  |        Name         |       Flavor     |  Memory Usage  |  Total Memory  |  Utilization  |
+=====================================================================================================+
|  * 0     |  MoAI Accelerator   |  4xLarge.2048GB  |  1354751 MiB   |  2096640 MiB   |     100%      |
+-----------------------------------------------------------------------------------------------------+

Processes:
+--------------------------------------------------------------------------------------+
|  Device  |  Job ID  |    PID    |             Process               |  Memory Usage  |
+======================================================================================+
|       0  |  977753  |  2200972  |  python tutorial/train_llama2.py  |  1354751 MiB   |
+--------------------------------------------------------------------------------------+

tutorial llama2