MindSpeed MindSpore后端介绍

MindSpeed已支持接入华为自研AI框架MindSpore，旨在提供华为全栈易用的端到端的大模型训练解决方案，以此获得更极致的性能体验。MindSpore后端提供了一套对标PyTorch的API，用户无需进行额外代码适配即可无缝切换。

---

安装

1. 安装依赖

依赖软件	软件安装指南
昇腾NPU驱动	《 驱动固件安装指南 》
昇腾NPU固件
Toolkit（开发套件）	《 CANN 软件安装指南 》
Kernel（算子包）
NNAL（Ascend Transformer Boost加速库）
MindSpore	《 MindSpore AI框架安装指南 》

2. 获取 MindSpore-Core-MS 代码仓

执行以下命令拉取MindSpeed-Core-MS代码仓，并安装Python三方依赖库，如下所示：

git clone https://gitcode.com/Ascend/MindSpeed-Core-MS.git -b master
cd MindSpeed-Core-MS
pip install -r requirements.txt

可以参考MindSpeed-Core-MS目录下提供的一键适配命令脚本， 拉取并适配相应版本的MindSpeed、Megatron-LM和MSAdapter。

若使用MindSpeed-Core-MS目录下的一键适配命令脚本（如auto_convert.sh）可忽略后面步骤。

3. 获取并适配相应版本的 MindSpeed、Megatron-LM 和 MSAdapter

（1）进入MindSpore-Core-MS目录后，获取指定版本仓库的源码：

# 获取指定版本的MindSpeed源码：
git clone https://gitcode.com/Ascend/MindSpeed.git -b master

# 获取指定版本的Megatron-LM源码：
git clone https://gitee.com/mirrors/Megatron-LM.git -b core_v0.12.1

# 获取指定版本的MSAdapter源码：
git clone https://openi.pcl.ac.cn/OpenI/MSAdapter.git -b master

具体版本对应关系参考MindSpore-Core-MS下的一键适配命令脚本，如auto_convert.sh。

（2）设置环境变量：

# 在MindSpeed-Core-MS目录下执行
# 若在环境中PYTHONPATH等环境变量失效（例如退出容器后再进入等），需要重新设置环境变量
MindSpeed_Core_MS_PATH=$(pwd)
export PYTHONPATH=${MindSpeed_Core_MS_PATH}/MSAdapter:${MindSpeed_Core_MS_PATH}/MSAdapter/msa_thirdparty:${MindSpeed_Core_MS_PATH}/MindSpeed:$PYTHONPATH
echo $PYTHONPATH

（3）如需使用Ascend Transformer Boost（ATB）加速库算子，请先安装 CANN-NNAL 并初始化添加环境，例如：

# CANN-NNAL默认安装路径为：/usr/local/Ascend/nnal
# 运行CANN-NNAL默认安装路径下atb文件夹中的环境配置脚本set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh

快速上手

1. 仅仅一行代码就可以轻松使能 MindSpeed 的各项功能。以 GPT 模型为例：在 Megatron-LM 目录下修改pretrain_gpt.py文件，在import torch下新增一行：import mindspeed.megatron_adaptor，即如下修改：

    import os
    import torch
   +import mindspeed.megatron_adaptor
    from functools import partial
    from typing import Union
   

2. （可选）若未准备好相应训练数据，则需进行数据集的下载及处理供后续使用。数据集准备流程可参考 数据集处理。

3. 在 Megatron-LM 目录下，准备好训练数据，并在示例脚本中填写对应路径，然后执行。以下示例脚本可供参考。

   MindSpeed/tests_extend/example/train_distributed_ms.sh
   

---

自定义优化级别

MindSpeed 提供了多层次的优化解决方案，并划分为三个层级，用户可根据实际需求灵活启用任意层级。高层级兼容低层级的能力，确保了整个系统的稳定性和扩展性。 用户可以通过设置启动脚本中的 --optimization-level {层级} 参数来自定义开启的优化层级。该参数支持以下配置：

层级	层级名称	介绍
0	基础兼容层	提供Megatron-LM框架对NPU的支持，确保无缝集成。该层包含基础功能集patch，保证可靠性和稳定性，为高级优化奠定基础。
	1	亲和性增强层🔥	兼容L0能力，集成高性能融合算子库，结合昇腾亲和的计算优化，充分释放昇腾算力，显著提升计算效率。
		2	自研加速算法层🔥🔥	默认值。该模式兼容了L1, L0能力，并集成了昇腾多项自主研发核心技术成果，可提供全面的性能优化。

特性介绍

MindSpeed 特性由七大模块组成，分别为：megatron特性支持、并行策略特性、内存优化特性、亲和计算特性、通信优化特性、关键场景特性以及多模态特性。其中【Released】表示是否商用发布，原型特性为非商用发布。

• 特性的介绍中说明了对应特性的应用场景及使用说明。一般而言，在脚本中加入相关参数即可轻松使用对应特性。🛰️

• 当前大模型训练主要使用bf16数据类型，以下特性若无特殊声明原则上兼容fp16, 如遇到fp16场景下相关问题请联系 MindSpeed 团队或提交issue, 我们会快速响应。🛰️

特性支持

MindSpore后端对MindSpeed的重要加速特性的支持情况如下表所示，部分不支持的特性将在后续迭代中逐步支持，敬请期待。

特性名称	介绍	支持情况
Megatron 张量并行	link	✅
	Megatron 流水并行	link	✅
		Megatron 虚拟流水并行	link	✅
			Megatron 分布式优化器	link	✅
				Megatron 序列并行	link	✅
Megatron 权重更新通信隐藏					link	✅
	Megatron 重计算				link	✅
		Megatron 全分片并行			link	暂不支持开启pp及--reuse-fp32-param参数配置

并行策略特性

特性名称	介绍	支持情况
Ascend Ulysses 长序列并行	link	✅
	Ascend Ring Attention 长序列并行	link	✅
		Ascend Double Ring Attention 长序列并行	link	❌
			Ascend 混合长序列并行	link	❌
				Ascend 自定义空操作层	link	✅
Ascend DualPipeV					link	暂不支持--dualpipev-dw-detach参数配置

内存优化特性

特性名称	介绍	支持情况
Ascend 激活函数重计算	link	✅
	Ascend 重计算流水线独立调度	link	❌
		Ascend Mask归一	link	❌
			Ascend BF16 参数副本复用	link	✅
				Ascend swap_attention	link	❌
Ascend Norm重计算					link	✅
	Ascend Hccl Buffer 自适应				link	❌
		O2 BF16 Optimizer			link	❌
			SWAP优化器		link	✅

亲和计算特性

特性名称	介绍	支持情况
Ascend rms_norm 融合算子	link	✅
	Ascend swiglu 融合算子	link	✅
		Ascend flash attention	link	✅
			Ascend ring attention update	link	✅
				Ascend Moe Token Permute and Unpermute 融合算子	link	✅
Ascend npu_matmul_add_fp32 梯度累加融合算子					link	✅
	Ascend 计算通信并行优化				link	✅
		Ascend MC2			link	❌
			Ascend fusion_attention_v2		link	❌

通信优化特性

特性名称	介绍	支持情况
Ascend Gloo 存档落盘优化	link	❌
	Ascend 高维张量并行	link	❌

Mcore MoE特性

特性名称	介绍	支持情况
Ascend Megatron MoE GMM	link	✅
	Ascend Megatron MoE Allgather Dispatcher 性能优化	link	❌
		Ascend Megatron MoE Alltoall Dispatcher 性能优化	link	✅
			Ascend Megatron MoE TP拓展EP	link	✅
				Ascend 共享专家	link	✅
Ascend Megatron MoE alltoall 通信掩盖					link	✅

关键场景特性

特性名称	介绍	支持情况
Ascend EOD Reset训练场景	link	✅
	Ascend alibi	link	✅

多模态特性

特性名称	介绍	支持情况
Ascend fused ema adamw优化器	link	❌
	Ascend PP支持动态形状	link	✅
		Ascend PP支持多参数传递	link	❌
			Ascend PP支持多参数传递和动态形状	link	❌
				Ascend 非对齐线性层	link	❌
Ascend 非对齐Ulysses长序列并行					link	❌

其它特性

特性名称	介绍	支持情况
Ascend TFLOPS计算	link	✅
	Ascend Auto Settings 并行策略自动搜索系统	link	❌
		Ascend 确定性计算	link	✅

自定义算子

部分自定义算子设置为公开接口，公开接口设置说明请参照 MindSpeed 安全声明中的公开接口声明，具体对外接口细节参照以下算子对应的手册链接。

自定义算子名称	介绍	Released
npu_dropout_add_layer_norm	link	✅
	npu_rotary_position_embedding	link	✅
		fusion_attention	link	✅
			rms_norm	link	✅
				swiglu	link	✅
npu_mm_all_reduce_add_rms_norm					link	✅
	npu_mm_all_reduce_add_rms_norm_				link	✅
		npu_gmm			link	✅
			npu_grouped_mat_mul_all_reduce		link	✅
				lcal_coc	link	✅
npu_apply_fused_ema_adamw					link	✅
	ffn				link	❌
		npu_ring_attention_update			link	❌
			npu_matmul_add_fp32		link	❌
				npu_groupmatmul_add_fp32	link	❌
npu_all_to_all_all_gather_bmm					link	❌
	npu_bmm_reduce_scatter_all_to_all				link	❌
		quant_gmm			link	❌

---

MindSpeed 中采集Profile数据

📝 MindSpeed 支持命令式开启Profile采集数据，命令配置介绍如下：

配置命令	命令含义
--profile	打开profile开关
--profile-step-start	配置开始采集步，未配置时默认为10, 配置举例: --profile-step-start 30
--profile-step-end	配置结束采集步，未配置时默认为12, 配置举例: --profile-step-end 35
--profile-level	配置采集等级，未配置时默认为level0, 可选配置: level0, level1, level2, 配置举例: --profile-level level1
--profile-with-cpu	打开cpu信息采集开关
--profile-with-stack	打开stack信息采集开关
--profile-with-memory	打开memory信息采集开关，配置本开关时需打开--profile-with-cpu
--profile-record-shapes	打开shapes信息采集开关
--profile-save-path	配置采集信息保存路径, 未配置时默认为./profile_dir, 配置举例: --profile-save-path ./result_dir
--profile-ranks	配置待采集的ranks，未配置时默认为-1，表示采集所有rank的profiling数据，配置举例: --profile-ranks 0 1 2 3, 需注意: 该配置值为每个rank在单机/集群中的全局值

---

常见问题

现象	介绍
Data helpers 数据预处理出错 ❗	link
Torch extensions 编译卡住 ❗	link
megatron0.7.0版本长稳测试出现grad norm为nan ❗	link
Gloo建链失败Gloo connectFullMesh failed with ... ❗	link

技术文章

• MindSpeed 加速百万级超长序列大模型训练 🚀🚀
• MindSpeed 加速万亿MoE大模型训练 🚀🚀
• 大模型训练内存优化难？MindSpeed 帮你来支招 🚀🚀