断点续训练操作过程

baichuan2-13b的断点续训脚本baichuan2.sh，存放在“6.3.904-Ascend/llm_train/AscendSpeed/scripts/baichuan2”目录下。

1. 执行命令如下，进入AscendSpeed代码目录。

   cd /home/ma-user/ws/6.3.904-Ascend/llm_train/AscendSpeed/  

2. 在AscendSpeed代码目录下执行断点续训练脚本。
   单机启动

   MODEL_TYPE=13B  RUN_TYPE=retrain DATA_PATH=
   /home/ma-user/ws/processed_for_ma_input/BaiChuan2-13B/data/retrain/alpaca_text_document TOKENIZER_MODEL=/home/ma-user/ws/tokenizers/BaiChuan2-13B/tokenizer.model CKPT_LOAD_DIR=/home/ma-user/ws/saved_dir_for_ma_output/BaiChuan2-13B/pretrain TRAIN_ITERS=300 MBS=1  GBS=16 TP=8 PP=1 sh scripts/baichuan2/baichuan2.sh
   
   多机启动
   以baichuan2-13b为例，多台机器执行训练启动命令如下。多机启动需要在每个节点上执行,已双机为例。
   #第一台节点
   MASTER_ADDR=xx.xx.xx.xx NNODES=2 NODE_RANK=0 MODEL_TYPE=13B  RUN_TYPE=retrain DATA_PATH=/home/ma-user/ws/processed_for_ma_input/BaiChuan2-13B/data/pretrain/alpaca_text_document TOKENIZER_MODEL=/home/ma-user/code/model/Baichuan2-13B-Chat/tokenizer.model CKPT_LOAD_DIR=/home/ma-user/ws/saved_dir_for_ma_output/BaiChuan2-13B/pretrain TRAIN_ITERS=300 MBS=2  GBS=32 TP=8 PP=2 sh scripts/baichuan2/baichuan2.sh
   ...
   ...
   # 第二台节点 
   MASTER_ADDR=xx.xx.xx.xx NNODES=2 NODE_RANK=1 MODEL_TYPE=13B  RUN_TYPE=retrain DATA_PATH=/home/ma-user/ws/processed_for_ma_input/BaiChuan2-13B/data/pretrain/alpaca_text_document TOKENIZER_MODEL=/home/ma-user/ws/tokenizers/BaiChuan2-13B/tokenizer.model CKPT_LOAD_DIR=/home/ma-user/ws/saved_dir_for_ma_output/BaiChuan2-13B/pretrain TRAIN_ITERS=300 MBS=2  GBS=32 TP=8 PP=2 sh scripts/baichuan2/baichuan2.sh

   以上命令多台机器执行时，只有${NODE_RANK}：节点ID值不同，其他参数都保持一致。

   其中MASTER_ADDR、NODE_RANK、MODEL_TYPE 、RUN_TYPE、DATA_PATH、TOKENIZER_MODEL、CKPT_LOAD_DIR为必填；TRAIN_ITERS、MBS、GBS、TP、PP、WORK_DIR为非必填，有默认值。

   图1 保存的ckpt
   

3. 可以参考查看日志和性能操作，查看断点续训练日志和性能。