Multi-GPU-Feinabstimmung mit Unsloth

Lerne, wie man LLMs auf mehreren GPUs und mit Parallelismus mit Unsloth feinabstimmt.

Unsloth unterstützt derzeit Multi-GPU-Setups über Bibliotheken wie Accelerate und DeepSpeed. Das bedeutet, dass Sie bereits Parallelisierungsverfahren wie FSDP und DDP mit Unsloth nutzen können.

Siehe unseren neuen Distributed Data Parallel (DDP) Multi-GPU-Leitfaden hier.

Wir wissen, dass der Prozess komplex sein kann und manuelle Einrichtung erfordert. Wir arbeiten intensiv daran, die Multi-GPU-Unterstützung viel einfacher und benutzerfreundlicher zu machen, und werden bald die offizielle Multi-GPU-Unterstützung für Unsloth ankündigen.

Für den Moment können Sie unser Magistral-2509 Kaggle-Notebook als Beispiel verwenden, das Multi-GPU-Unsloth nutzt, um das 24B-Parameter-Modell zu trainieren, oder unseren DDP-Leitfaden.

In der Zwischenzeit, um Multi-GPU für DDP zu aktivieren, tun Sie Folgendes:

1. Erstellen Sie Ihr Trainingsskript als train.py (oder ähnlich). Zum Beispiel können Sie eines unserer Trainingsskripte verwenden, die aus unseren verschiedenen Notebooks erstellt wurden!

2. Führen Sie accelerate launch train.py oder torchrun --nproc_per_node N_GPUS train.py wobei N_GPUS die Anzahl der GPUs ist, die Sie haben.

Pipeline- / Modellaufteilung beim Laden

Wenn Sie nicht genug VRAM haben, damit 1 GPU z. B. Llama 70B laden kann, kein Problem - wir teilen das Modell für Sie auf jeder GPU auf! Um dies zu aktivieren, verwenden Sie das device_map = "balanced" Flag:

from unsloth import FastLanguageModel
model, tokenizer = FastLanguageModel.from_pretrained(
    "unsloth/Llama-3.3-70B-Instruct",
    load_in_4bit = True,
    device_map = "balanced",
)

Bleiben Sie gespannt auf unsere offizielle Ankündigung! Für weitere Details sehen Sie sich unseren laufenden Pull Request an, der die Multi-GPU-Unterstützung diskutiert.