DeepSeekVL2 使用指南
目录
环境安装
【模型开发时推荐使用配套的环境版本】
请参考安装指南
1. 仓库拉取
# 安装MindSpeed-Core-MS一键拉起部署
git clone https://gitcode.com/Ascend/MindSpeed-Core-MS.git -b r0.5.0
# 使用MindSpeed-Core-MS内部脚本自动拉取相关代码仓并一键适配
cd MindSpeed-Core-MS
pip install -r requirements.txt
source auto_convert.sh mm
mkdir logs
mkdir dataset
mkdir ckpt
权重下载及转换
1. 权重下载
从Hugging Face等网站下载开源模型权重
将模型权重保存在raw_ckpt目录下，例如raw_ckpt/DeepSeekVL2。
2. 权重转换
MindSpeed MM修改了部分原始网络的结构名称，使用mm-convert工具对原始预训练权重进行转换。该工具实现了huggingface权重和MindSpeed MM权重的转换以及TP（Tensor Parallel）和EP（Expert Parallel）的权重切分。
mm-convert工具详细用法参考权重转换工具
注意
- DeepSeekVL权重转换依赖deepseekvl2包，安装过程参考链接。deepseekvl2包与特定版本的transformers兼容，建议安装transformers 4.45.0或transformers 4.38.2版本以确保兼容性。
- 转换前需要在hf格式权重目录下，修改config.json的
"_attn_implementation"字段改为"eager"。
转换命令如下
# 根据实际情况修改 ascend-toolkit 路径
source /usr/local/Ascend/cann/set_env.sh
mm-convert DeepSeekVLConverter hf_to_mm \
--cfg.mm_dir "pretrained/DeepSeekVl2" \
--cfg.hf_config.hf_dir "raw_ckpt/DeepSeekVL2" \
--cfg.parallel_config.llm_pp_layers [[13,17]] \
--cfg.parallel_config.vit_pp_layers [[27,0]] \
--cfg.parallel_config.ep_size 8 \
--cfg.parallel_config.tp_size 1 \
--cfg.trust_remote_code True
# 其中：
# mm_dir: 转换后保存目录
# hf_dir: huggingface权重目录
# llm_pp_layers: llm在每个卡上切分的层数，注意要和model.json中配置的pipeline_num_layers一致
# vit_pp_layers: vit在每个卡上切分的层数，注意要和model.json中配置的pipeline_num_layers一致
# ep_size: ep并行数量，注意要和微调启动脚本中的配置一致
# tp_size: tp并行数量，注意要和微调启动脚本中的配置一致
# trust_remote_code: 为保证代码安全，配置trust_remote_code默认为False，用户需要设置为True，并且确保自己下载的模型和数据的安全性
数据集准备及处理
1. 数据集下载
注意：DeepSeekVL2原仓未开源训练数据集，这里以InternVL开源的数据集作为示例，用户可自行构造训练数据集。
【图片数据】
用户需自行获取并解压InternVL-Finetune数据集到dataset/playground目录下，以数据集ai2d为例，解压后的数据结构如下：
$playground
├── data
├── ai2d
├── abc_images
├── images
├── opensource
├── ai2d_train_12k.jsonl
修改convert_ai2d_to_dsvl.py文件的input_file和output_file，例如：
input_file = "dataset/playground/opensource/ai2d_train_12k.jsonl" # 替换为实际输入路径
output_file = "dataset/playground/opensource/ai2d_train_12k_dsvl.jsonl" # 替换为实际输出路径
运行数据格式转换脚本
python convert_ai2d_to_dsvl.py
微调
1. 准备工作
配置脚本前需要完成前置准备工作，包括：环境安装、权重下载及转换、数据集准备及处理，详情可查看对应章节。
2. 配置参数
【数据目录配置】
根据实际情况修改data.json中的数据集路径，包括from_pretrained、data_path、data_folder等字段。
注意processor_path为转换前的权重路径。
{
"dataset_param": {
...
"basic_parameters": {
"data_path": "dataset/playground/opensource/ai2d_train_12k_dsvl.jsonl",
"data_folder": "dataset/playground/data/ai2d"
},
...
"processor_path": "deepseek-ai/deepseek-vl2",
...
},
...
}
【模型保存加载及日志信息配置】
根据实际情况配置examples/deepseekvl2/finetune_deepseekvl2.sh的参数，包括加载、保存路径以及保存间隔--save-interval（注意：分布式优化器保存文件较大耗时较长，请谨慎设置保存间隔）：
...
# 加载路径
LOAD_PATH="ckpt/DeepSeekVL2"
# 保存路径
SAVE_PATH="save_dir"
...
GPT_ARGS="
...
--no-load-optim \ # 不加载优化器状态，若需加载请移除
--no-load-rng \ # 不加载随机数状态，若需加载请移除
--no-save-optim \ # 不保存优化器状态，若需保存请移除
--no-save-rng \ # 不保存随机数状态，若需保存请移除
...
"
...
OUTPUT_ARGS="
--log-interval 1 \ # 日志间隔
--save-interval 5000 \ # 保存间隔
...
--log-tps \ # 增加此参数可使能在训练中打印每步语言模块的平均序列长度，并在训练结束后计算每秒吞吐tokens量。
"
若需要加载指定迭代次数的权重、优化器等状态，需将加载路径LOAD_PATH设置为保存文件夹路径LOAD_PATH="save_dir"，并修改latest_checkpointed_iteration.txt文件内容为指定迭代次数
$save_dir
├── latest_checkpointed_iteration.txt
├── ...
【单机运行配置】
配置examples/experimental/deepseekvl2/finetune_deepseekvl.sh参数如下
# 根据实际情况修改 ascend-toolkit 路径
source /usr/local/Ascend/cann/set_env.sh
NPUS_PER_NODE=8
MASTER_ADDR=localhost
MASTER_PORT=6000
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($NPUS_PER_NODE * $NNODES))
3. 启动微调
启动微调训练任务。
bash examples/experimental/deepseekvl2/finetune_deepseekvl2.sh
性能数据
| 模型 | 机器型号 | 集群 | 任务 | 端到端 SPS |
|---|---|---|---|---|
| DeepSeekVL2 | Atlas 800T A2 | 4*8 | 微调 | 4.924 |
注：此处 SPS 代表 Samples per Second。
环境变量声明
| 环境变量 | 描述 | 取值说明 |
|---|---|---|
ASCEND_SLOG_PRINT_TO_STDOUT |
是否开启日志打印 | 0: 关闭日志打屏1: 开启日志打屏 |
ASCEND_GLOBAL_LOG_LEVEL |
设置应用类日志的日志级别及各模块日志级别，仅支持调试日志 | 0: 对应DEBUG级别1: 对应INFO级别2: 对应WARNING级别3: 对应ERROR级别4: 对应NULL级别，不输出日志 |
TASK_QUEUE_ENABLE |
用于控制开启task_queue算子下发队列优化的等级 | 0: 关闭1: 开启Level 1优化2: 开启Level 2优化 |
COMBINED_ENABLE |
设置combined标志。设置为0表示关闭此功能；设置为1表示开启，用于优化非连续两个算子组合类场景 | 0: 关闭1: 开启 |
CPU_AFFINITY_CONF |
控制CPU端算子任务的处理器亲和性，即设定任务绑核 | 设置0或未设置: 表示不启用绑核功能1: 表示开启粗粒度绑核2: 表示开启细粒度绑核 |
HCCL_CONNECT_TIMEOUT |
用于限制不同设备之间socket建链过程的超时等待时间 | 需要配置为整数，取值范围[120,7200]，默认值为120，单位s |
PYTORCH_NPU_ALLOC_CONF |
控制缓存分配器行为 | expandable_segments:<value>: 使能内存池扩展段功能，即虚拟内存特征 |
HCCL_EXEC_TIMEOUT |
控制设备间执行时同步等待的时间，在该配置时间内各设备进程等待其他设备执行通信同步 | 需要配置为整数，取值范围[68,17340]，默认值为1800，单位s |
ACLNN_CACHE_LIMIT |
配置单算子执行API在Host侧缓存的算子信息条目个数 | 需要配置为整数，取值范围[1, 10,000,000]，默认值为10000 |
TOKENIZERS_PARALLELISM |
用于控制Hugging Face的transformers库中的分词器（tokenizer）在多线程环境下的行为 | False: 禁用并行分词True: 开启并行分词 |
MULTI_STREAM_MEMORY_REUSE |
配置多流内存复用是否开启 | 0: 关闭多流内存复用1: 开启多流内存复用 |
NPU_ASD_ENABLE |
控制是否开启Ascend Extension for PyTorch的特征值检测功能 | 设置0或未设置: 关闭特征值检测1: 表示开启特征值检测，只打印异常日志，不告警2:开启特征值检测，并告警3:开启特征值检测，并告警，同时会在device侧info级别日志中记录过程数据 |
ASCEND_LAUNCH_BLOCKING |
控制算子执行时是否启动同步模式 | 0: 采用异步方式执行1: 强制算子采用同步模式运行 |
NPUS_PER_NODE |
配置一个计算节点上使用的NPU数量 | 整数值（如 1, 8 等） |