一、硬件环境与依赖配置

本教程基于昇腾计算平台进行训练，具体硬件配置如下：

8卡 Ascend 910B2 NPU

内存 >= 512GB

存储 >= 1TB NVMe SSD

软件环境要求：

Python 3.10

MindSpore 2.4.10

CANN 8.0.RC3.beta

固件与驱动版本 24.1.RC3

为简化环境配置，我们提供了预配置好的 Docker 镜像：

拉取训练镜像

docker pull swr.cn-central-221.ovaijisuan.com/mindformers/llm_mindspore:latest

配置环境变量

export IMAGE=swr.cn-central-221.ovaijisuan.com/mindformers/llm_mindspore:latest export CONTAINER=llm_training

启动容器

docker run -itd -u root \ --ipc=host --net=host \ --privileged \ --device=/dev/davinci[0-7] \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /usr/local/Ascend:/usr/local/Ascend \ -v /etc/ascend_install.info:/etc/ascend_install.info \ --name $CONTAINER \ $IMAGE

二、数据准备

训练需要两个核心组件：

1. 预训练语料库(WikiText-2)

2. Tokenizer 分词模型

创建工作目录

mkdir -p /workspace/data cd /workspace/data

下载并处理数据集

wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/MindFormers/dataset/wikitext-2/wikitext-2-v1.zip

unzip wikitext-2-v1.zip

获取分词模型

wget https://huggingface.co/deepseek-ai/DeepSeek-V3/resolve/main/tokenizer.json

数据预处理

python tools/preprocess.py \--input data/wiki.train.tokens \--output data/wiki_4096 \--tokenizer tokenizer.json \--seq-length 4096 \--workers 4

三、模型配置

我们基于 1B 参数量的配置进行训练，核心配置包括：

1. 模型架构配置

model_config: hidden_size: 2048 num_layers: 3 num_heads: 8 intermediate_size: 6144

2. 混合专家系统(MoE)配置

moe_config: expert_num: 16 first_k_dense_replace: 1

3. 分布式训练配置

parallel_config: data_parallel: 2 model_parallel: 2 pipeline_stage: 2 expert_parallel: 2 micro_batch_num: 4

四、启动训练

执行以下命令开始训练：

cd /workspace bash scripts/train.sh \ --config configs/llm_1b.yaml \ --data_path data/wiki_4096

训练日志将保存在 output/logs 目录下。由于启用了流水线并行，loss 值仅会在最后一张卡(worker-7)的日志中显示：

tail -f output/logs/worker_7.log

模型 checkpoint 会定期保存在 output/ckpts 目录。

五、注意事项

1. 确保系统内存充足，推荐预留50%以上空闲内存

2. 定期检查显存占用情况，避免 OOM

3. 如遇到命令行换行符问题，可尝试去除反斜杠后在单行执行

4. 训练初期 loss 波动较大属于正常现象，建议训练超过1000步再评估效果

六、参考资源

MindSpore 官方文档

预训练模型仓库

详细配置说明