如何在领域数据上增量预训练呢？

[listwebit]

有几个问题请教一下大佬：
1.你们放出的代码是否支持多机多卡的增量预训练呢？需要怎么做呢，因为我看没有配置多个机器的地方呀？

deepspeed \
--include="localhost:0,1,2,3" \
./train_clm.py \
--deepspeed ./ds_config/ds_config_zero3.json \
--model_name_or_path TigerResearch/tigerbot-7b-base \
--dataset_name TigerResearch/dev_pretrain \
--do_train \
--output_dir ./ckpt-clm \
--overwrite_output_dir \
--preprocess_num_workers 8 \
--num_train_epochs 5 \
--learning_rate 1e-5 \
--evaluation_strategy steps \
--eval_steps 10 \
--bf16 True \
--save_strategy steps \
--save_steps 10 \
--save_total_limit 2 \
--logging_steps 10 \
--tf32 True \
--per_device_train_batch_size 2 \
--per_device_eval_batch_size 2

2.70B的模型持续增量预训练，至少需要多少个机器呢？
3.有多机卡训练的教程吗

谢谢大佬的回复

[i4never]

我们的代码支持单机多卡，多机多卡可以参考deepspeed的文档: https://www.deepspeed.ai/getting-started/#resource-configuration-multi-node。
与单机相比，多机训练主要需要以下几个步骤：

1. 配置机器间的互信，包括ssh pubkey认证以及hosts中机器alias的配置。如果机器起名为node0 node1 node2 确保任意两台机器间可以通过ssh nodeX直接登陆。
2. 在每台机器上配置相同的cuda、python环境。一般通过共享硬盘及conda实现。
3. 在所有节点上通过deepspeed launcher或torch launcher唤起训练脚本。一般在一台机器上通过脚本及pdsh实现，需要注意脚本的node rank、master port/addr等参数配置。

从我们的经验来说，一台8卡40G，1TB内存的机器足够在deep3 + offload的情况下微调70B模型。

多机多卡可以直接以“deepspeed multinode”为关键词搜索，可以找到许多较例子。