Ajuste fino do Llama 3.2 1B com o AI Runtime

Faça o ajuste fino completo de um grande modelo de linguagem usando SFT (ajuste fino supervisionado) no Databricks AI Runtime. O notebook usa a biblioteca TRL (Transformers Reinforcement Learning) com otimização do DeepSpeed ZeRO Stage 3 para treinar com eficiência o Llama 3.2 1B em um único nó com 8 GPUs H100.

Principais conceitos:

• TRL (Transformers Reinforcement Learning): uma biblioteca que fornece ferramentas para treinamento de modelos de linguagem com aprendizado de reforço e ajuste supervisionado.
• DeepSpeed ZeRO Stage 3: uma técnica de otimização de memória que particiona parâmetros de modelo, gradientes e estados de otimizador entre GPUs para habilitar o treinamento de modelos grandes.
• AI Runtime: computação de GPU gerenciada pelo Databricks que provisiona e dimensiona automaticamente os recursos de GPU para cargas de trabalho de treinamento.

Para obter mais informações, consulte AI Runtime.

Requisitos

Este notebook requer o seguinte:

• AI Runtime: o notebook usa o Databricks AI Runtime com 8 GPUs H100 para treinamento distribuído. Nenhuma configuração de cluster é necessária.
• Catálogo do Unity: um catálogo e um esquema do Catálogo do Unity para armazenar pontos de verificação de modelo e registrar o modelo treinado.
• Token HuggingFace: um token de acesso do HuggingFace armazenado nos segredos do Databricks para baixar o modelo base e o conjunto de dados.
• Python pacotes: o AI Runtime pré-instala a maioria das bibliotecas necessárias. A seção de configuração abaixo instala deepspeed.

Conectar-se à computação de GPU sem servidor

Este notebook requer computação de GPU sem servidor. Para conectar:

1. Clique no seletor de processamento do notebook, no canto superior direito, e selecione GPU serverless.
2. No lado direito, clique no botão de ambiente.
3. Selecione 8xH100 como o Acelerador.
4. Escolha o ambiente de IA v5 no painel direito que contém todas as bibliotecas necessárias para executar este exemplo de notebook.
5. Clique em Aplicar.

A função de treinamento provisiona automaticamente 8 GPUs H100 para treinamento distribuído.

Instalar pacotes necessários

O AI Runtime já tem a maioria das bibliotecas necessárias pré-instaladas. Para este exemplo, você precisa instalar apenas deepspeed.

%pip install deepspeed==0.19.1
%restart_python

Configurar o Catálogo do Unity e variáveis de ambiente

Configurar locais no Unity Catalog para armazenar pontos de verificação do modelo e registrar o modelo treinado. O notebook utiliza parâmetros de consulta para configurar:

• Catálogo e esquema: namespace do Catálogo do Unity para organizar modelos e pontos de verificação
• Nome do modelo: nome do modelo registrado no Catálogo do Unity
• Volume: Volume do Catálogo do Unity para armazenar pontos de verificação de modelo durante o treinamento

A configuração também recupera o token HuggingFace dos segredos do Databricks e configura o experimento do MLflow para acompanhar as métricas de treinamento.

dbutils.widgets.text("uc_catalog", "main")
dbutils.widgets.text("uc_schema", "default")
dbutils.widgets.text("uc_model_name", "llama3_2-1b")
dbutils.widgets.text("uc_volume", "checkpoints")

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")

# Get HuggingFace token and username
hf_token = dbutils.secrets.get(scope="sgc-nightly-notebook", key="hf_token")
username = spark.sql("SELECT session_user()").collect()[0][0]

REGISTERED_MODEL_NAME = f"{UC_CATALOG}.{UC_SCHEMA}.{UC_MODEL_NAME}"
CHECKPOINT_DIR = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/{UC_VOLUME}/{UC_MODEL_NAME}"
MLFLOW_EXPERIMENT_NAME = f"/Users/{username}/{UC_MODEL_NAME}"

# Create the Unity Catalog volume if it doesn't exist
spark.sql(f"CREATE VOLUME IF NOT EXISTS {UC_CATALOG}.{UC_SCHEMA}.{UC_VOLUME}")

print(f"👤 Username: {username}")
print("🔑 HuggingFace token configured")
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"CHECKPOINT_DIR: {CHECKPOINT_DIR}")
print(f"MLFLOW_EXPERIMENT_NAME: {MLFLOW_EXPERIMENT_NAME}")

import os
import json
import tempfile
import torch
import mlflow
from huggingface_hub import constants
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForCausalLM
from trl import SFTTrainer

Criar configuração do DeepSpeed ZeRO Stage 3

O DeepSpeed ZeRO (Otimizador de Redundância Zero) Estágio 3 particiona parâmetros de modelo, gradientes e estados de otimizador em todas as GPUs para reduzir o consumo de memória por GPU. Isso permite o treinamento de modelos grandes que não caberiam na memória de uma única GPU.

Configurações principais de configuração

• bf16 habilitado: usa a precisão bfloat16 para treinamento mais rápido e uso reduzido de memória
• Otimização do estágio 3: particiona todos os estados de modelo entre GPUs
• Sem descarregamento de CPU: mantém todos os dados em GPUs para o desempenho máximo no hardware H100
• Comunicação sobreposta: para maior eficiência, sobrepõe a comunicação de gradiente com a computação

def create_deepspeed_config(stage: int):
    """Create a DeepSpeed ZeRO configuration for single-node 8xH100 training."""

    deepspeed_config = {
        "fp16": {
            "enabled": False
        },
        "bf16": {
            "enabled": True
        },
        "zero_optimization": {
            "stage": stage,
            "offload_optimizer": {
                "device": "none"
            },
            "offload_param": {
                "device": "none"
            },
            "overlap_comm": True,
            "contiguous_gradients": True,
            "sub_group_size": 1e9,
            "reduce_bucket_size": "auto",
            "stage3_prefetch_bucket_size": "auto",
            "stage3_param_persistence_threshold": 0,
            "stage3_max_live_parameters": 1e9,
            "stage3_max_reuse_distance": 1e9,
            "stage3_gather_16bit_weights_on_model_save": True
        },
        "gradient_accumulation_steps": 1,
        "gradient_clipping": "auto",
        "steps_per_print": 2000,
        "train_batch_size": "auto",
        "train_micro_batch_size_per_gpu": "auto",
        "wall_clock_breakdown": False
    }

    return deepspeed_config


# Create DeepSpeed configuration
zero_stage = 3
deepspeed_config = create_deepspeed_config(zero_stage)
print(f"⚙️  DeepSpeed ZeRO Stage {zero_stage} configuration created")

Definir parâmetros de treinamento

Configure os parâmetros de ajuste fino supervisionados:

• Modelo: Llama 3.2 1B Instrução, um modelo compacto adequado para GPUs H100
• Conjunto de dados: Conjunto de dados Capybara da biblioteca TRL para treinamento de IA conversacional
• Tamanho do lote: 2 por dispositivo com 4 etapas de acúmulo de gradiente para o tamanho efetivo do lote de 64
• Taxa de aprendizagem: 2e-4 com agendador de cosseno e aquecimento inicial
• Etapas de treinamento: 60 etapas para demonstração (aumento para treinamento completo)

A configuração usa precisão bfloat16 e ponto de verificação de gradiente para otimizar o uso de memória.

def create_training_config():
    """Create training configuration for TRL SFT."""

    # Model and dataset configuration (not part of TrainingArguments)
    model_config = {
        "model_name": "meta-llama/Llama-3.2-1B-Instruct",  # Small Llama model suitable for 8xH100
        "dataset_name": "trl-lib/Capybara"
    }

    # Training arguments that will be passed directly to TrainingArguments
    training_args_config = {
        "output_dir": CHECKPOINT_DIR,
        "per_device_train_batch_size": 2,
        "per_device_eval_batch_size": 2,
        "gradient_accumulation_steps": 1,
        "learning_rate": 2e-4,
        "max_steps": 60,   # TO DO remove when fine-tuning on full dataset. Demo purposes only.
        "logging_steps": 10,
        "save_steps": 30,
        "eval_steps": 30,
        "eval_strategy": "steps",
        "warmup_steps": 10,
        "lr_scheduler_type": "cosine",
        "gradient_checkpointing": False,
        "fp16": False,
        "bf16": True,
        "optim": "adamw_torch",
        "remove_unused_columns": False,
        "run_name": f"llama3.2-1b-fft-zero3",
        "report_to": "mlflow",
        "save_total_limit": 2,
        "load_best_model_at_end": True,
        "metric_for_best_model": "eval_loss",
        "greater_is_better": False,
    }

    return model_config, training_args_config

# Create training configuration
model_config, training_args_config = create_training_config()

print("📊 Training Configuration:")
print(f"  🤖 Model: {model_config['model_name']}")
print(f"  📚 Dataset: {model_config['dataset_name']}")
print(f"  🎯 Batch size: {training_args_config['per_device_train_batch_size']}")
print(f"  📈 Learning rate: {training_args_config['learning_rate']}")

Definir a função de treinamento distribuído

O decorador @distributed da biblioteca serverless_gpu permite a execução de cargas de trabalho de GPU no Databricks AI Runtime. O decorador provisiona 8 GPUs H100 e manipula automaticamente a configuração de treinamento distribuído.

Parâmetros de chave:

• gpus=8: Solicita 8 GPUs para treinamento distribuído
• gpu_type='H100': especifica o hardware da GPU H100

A função de treinamento:

1. Carrega o modelo base e o tokenizador do HuggingFace
2. Configura a formatação de chat para IA conversacional
3. Carrega o conjunto de dados de treinamento
4. Inicializa o TRL SFTTrainer com otimização DeepSpeed
5. Treina o modelo e salva pontos de verificação
6. Retorna resultados de treinamento e ID de execução do MLflow

Para obter mais informações, consulte a documentação da API de Runtime de IA.

from serverless_gpu import distributed

mlflow.set_experiment(MLFLOW_EXPERIMENT_NAME)
@distributed(
    gpus=8,
    gpu_type='H100',
)
def run_distributed_trl_sft():
    """
    Distributed TRL SFT training function using AI Runtime.

    This function will be executed on the H100 GPU with DeepSpeed optimization.
    """

    # Set up environment variables for remote jobs
    import os
    import tempfile
    import json
    from huggingface_hub import constants
    from datasets import load_dataset
    from transformers import AutoTokenizer
    from trl import SFTTrainer, SFTConfig

    # HuggingFace configuration
    os.environ["HUGGING_FACE_HUB_TOKEN"] = hf_token
    os.environ['HF_TOKEN'] = hf_token
    constants.HF_HUB_ENABLE_HF_TRANSFER = True

    # Set up temporary directories
    temp_dir = tempfile.mkdtemp()

    print("🚀 Starting TRL SFT training on H100 GPU...")

    try:
        # Load tokenizer
        print(f"📥 Loading tokenizer from model: {model_config['model_name']}")
        tokenizer = AutoTokenizer.from_pretrained(model_config['model_name'])

        # Add pad token if not present
        if tokenizer.pad_token is None:
            tokenizer.pad_token = tokenizer.eos_token

        # Load dataset
        print(f"📚 Loading dataset: {model_config['dataset_name']}")
        dataset = load_dataset(model_config['dataset_name'])

        # Create temporary DeepSpeed config file
        deepspeed_config_path = os.path.join(temp_dir, "deepspeed_config.json")
        with open(deepspeed_config_path, "w") as f:
            json.dump(deepspeed_config, f, indent=2)

        # Training arguments - dynamically pass all config parameters
        training_args = SFTConfig(
            **training_args_config,
            deepspeed=deepspeed_config_path,  # Override deepspeed with the config file path
        )

        # Initialize SFT Trainer
        print("🏋️ Initializing SFT Trainer with DeepSpeed...")
        trainer = SFTTrainer(
            model=model_config["model_name"],
            args=training_args,
            train_dataset=dataset["train"],
            eval_dataset=dataset["test"] if "test" in dataset else None,
            processing_class=tokenizer,
        )

        # Start training
        print("🎯 Starting training...")
        trainer.train()

        # Save the model
        print("💾 Saving trained model...")
        trainer.save_model()

        # Get training results
        train_results = trainer.state.log_history
        final_loss = train_results[-1].get('train_loss', 'N/A') if train_results else 'N/A'

        print("✅ Training completed successfully!")
        print(f"📊 Final training loss: {final_loss}")

        mlflow_run_id = None
        if mlflow.last_active_run() is not None:
            mlflow_run_id = mlflow.last_active_run().info.run_id

        return {
            "status": "success",
            "final_loss": final_loss,
            "output_dir": training_args_config['output_dir'],
            "model_name": model_config['model_name'],
            "mlflow_run_id": mlflow_run_id,
        }

    except Exception as e:
        print(f"❌ Training failed: {e}")
        import traceback
        traceback.print_exc()
        return {
            "status": "failed",
            "error": str(e)
        }

Executar o trabalho de treinamento distribuído

Execute a função de treinamento chamando .distributed() na função decorada. Isso provisiona os recursos do AI Runtime, executa o treinamento em 8 GPUs H100 com otimização de DeepSpeed e retorna os resultados.

O processo de treinamento:

• Provisiona automaticamente 8 GPUs H100
• Baixa o modelo e o conjunto de dados do HuggingFace
• Treina o modelo com ajuste completo
• Salva pontos de verificação no volume do Unity Catalog
• Registra métricas no MLflow
• Retorna status de treinamento, perda final e ID de execução do MLflow

# Execute the distributed training
results = run_distributed_trl_sft.distributed()

print("🏁 Training execution completed!")
print(f"📊 Results: {results}")

if results and results[0].get('status') == 'success':
    print("✅ Training completed successfully!")
    print(f"💾 Model saved to: {results[0].get('output_dir', 'N/A')}")
    print(f"📈 Final loss: {results[0].get('final_loss', 'N/A')}")
    print(f"🎉 MLflow run ID: {results[0].get('mlflow_run_id', 'N/A')}")
else:
    print("❌ Training failed!")
    if results and 'error' in results:
        print(f"🔍 Error: {results['error']}")

Salvar o modelo ajustado e a inferência de teste

Esta etapa opcional carrega o modelo ajustado e o testa com um prompt de exemplo para verificar os resultados.

O processo:

1. Carrega o modelo salvo
2. Testa o modelo com um prompt de conversação de exemplo

def save_and_load_trained_model():
    """Load the fully fine-tuned model from the Unity Catalog volume."""

    import torch
    from transformers import AutoModelForCausalLM, AutoTokenizer

    print(f"📥 Loading fine-tuned model from: {training_args_config['output_dir']}")

    # Load the fully fine-tuned model directly from the checkpoint directory
    model = AutoModelForCausalLM.from_pretrained(
        training_args_config['output_dir'],
        torch_dtype=torch.bfloat16,
        trust_remote_code=True,
        device_map={"":0}
    )
    tokenizer = AutoTokenizer.from_pretrained(training_args_config['output_dir'], trust_remote_code=True)

    print("✅ Model loaded successfully!")
    return model, tokenizer

def test_trained_model(model, tokenizer):
    """Test the trained model with simple inference."""

    try:
        import torch
        # Test prompt
        # Create a conversation following the schema
        conversation = [
            {
                "content": "What is machine learning?",
                "role": "user"
            }
        ]

        # Convert conversation to chat format
        prompt = ""
        for message in conversation:
            if message["role"] == "user":
                prompt += f"### User: {message['content']}\n### Response:"
            else:
                prompt += f" {message['content']}\n\n"

        # Tokenize
        inputs = tokenizer(prompt, return_tensors="pt").to("cuda")

        # Generate
        with torch.no_grad():
            outputs = model.generate(
                **inputs,
                max_new_tokens=500,
                temperature=0.7,
                do_sample=True,
                pad_token_id=tokenizer.eos_token_id
            )

        # Decode
        response = tokenizer.decode(outputs[0], skip_special_tokens=True)
        print("🤖 Model Response:")
        print(response)
        return response

    except Exception as e:
        print(f"❌ Model testing failed: {e}")

# Save and load the trained model
model, tokenizer = save_and_load_trained_model()

# Test the trained model
test_trained_model(model, tokenizer)

Registrar o modelo no Catálogo do Unity

Registre o modelo ajustado no MLflow e registre-o no Catálogo do Unity para implantação e disponibilização. O modelo é registrado com:

• Modelo e tokenizador: ambos os componentes necessários para inferência
• Tipo de tarefa: configurado como llm/v1/chat para IA de conversa
• Exemplo de entrada: formato de mensagem de chat de exemplo para teste
• Registro do Catálogo do Unity: registra automaticamente o modelo no catálogo e no esquema configurados

Depois de registrado, o modelo pode ser implantado em pontos de extremidade de serviço de modelo ou usado para inferência em lote.

run_id = results[0].get('mlflow_run_id')
mlflow.set_registry_uri("databricks-uc")

# log the model to mlflow using the latest run id and register to Unity Catalog
with mlflow.start_run(run_id=run_id) as run:
    components = {
        "model": model,
        "tokenizer": tokenizer
    }
    logged_model = mlflow.transformers.log_model(
        transformers_model=components,
        name="model",
        task="llm/v1/chat",
        input_example={
            "messages": [
                {"role": "user", "content": "What is machine learning?"}
            ]
        },
        registered_model_name=REGISTERED_MODEL_NAME
        )
    print(f"🔍 Model logged to: {logged_model}")

Próximas Etapas 

• Runtime de IA
• Práticas recomendadas para o AI Runtime
• Solucionar problemas no AI Runtime
• Treinamento distribuído de várias GPUs e vários nós
• Treinar modelos com o MLflow
• Implantar modelos com Serviço de Modelo

Notebook de exemplo

Ajuste fino do Llama 3.2 1B com o AI Runtime

Obter laptop