distributed-llm-pretraining-torchtitan

name	distributed-llm-pretraining-torchtitan
description	Pretrain LLMs at scale with PyTorch 4D parallelism.
version	1.0.0
author	Orchestra Research
license	MIT
dependencies	["torch>=2.6.0","torchtitan>=0.2.0","torchao>=0.5.0"]
platforms	["linux","macos"]
metadata	{"hermes":{"tags":["Model Architecture","Distributed Training","TorchTitan","FSDP2","Tensor Parallel","Pipeline Parallel","Context Parallel","Float8","Llama","Pretraining"]}}

TorchTitan——PyTorch原生分布式大语言模型预训练框架

快速入门

TorchTitan是PyTorch官方推出的大规模大语言模型预训练平台，它支持可组合的4D并行计算技术（FSDP2、TP、PP、CP），在H100显卡上相较于基准方案可实现65%以上的速度提升。

安装方式：

# From PyPI (stable)
pip install torchtitan

# From source (latest features, requires PyTorch nightly)
git clone https://github.com/pytorch/torchtitan
cd torchtitan
pip install -r requirements.txt

下载分词器：

# Get HF token from https://huggingface.co/settings/tokens
python scripts/download_hf_assets.py --repo_id meta-llama/Llama-3.1-8B --assets tokenizer --hf_token=...

在8块GPU上开始训练：

CONFIG_FILE="./torchtitan/models/llama3/train_configs/llama3_8b.toml" ./run_train.sh

常见工作流程

工作流程 1：在单节点上预训练 Llama 3.1 8B 模型

复制此清单：

Single Node Pretraining:
- [ ] Step 1: Download tokenizer
- [ ] Step 2: Configure training
- [ ] Step 3: Launch training
- [ ] Step 4: Monitor and checkpoint

步骤 1：下载分词器

python scripts/download_hf_assets.py \
  --repo_id meta-llama/Llama-3.1-8B \
  --assets tokenizer \
  --hf_token=YOUR_HF_TOKEN

步骤 2：配置训练参数

编辑或创建一个 TOML 配置文件：

# llama3_8b_custom.toml
[job]
dump_folder = "./outputs"
description = "Llama 3.1 8B training"

[model]
name = "llama3"
flavor = "8B"
hf_assets_path = "./assets/hf/Llama-3.1-8B"

[optimizer]
name = "AdamW"
lr = 3e-4

[lr_scheduler]
warmup_steps = 200

[training]
local_batch_size = 2
seq_len = 8192
max_norm = 1.0
steps = 1000
dataset = "c4"

[parallelism]
data_parallel_shard_degree = -1  # Use all GPUs for FSDP

[activation_checkpoint]
mode = "selective"
selective_ac_option = "op"

[checkpoint]
enable = true
folder = "checkpoint"
interval = 500

第3步：启动训练

# 8 GPUs on single node
CONFIG_FILE="./llama3_8b_custom.toml" ./run_train.sh

# Or explicitly with torchrun
torchrun --nproc_per_node=8 \
  -m torchtitan.train \
  --job.config_file ./llama3_8b_custom.toml

第4步：监控与检查点生成

TensorBoard日志会被保存至 ./outputs/tb/ 目录中：

tensorboard --logdir ./outputs/tb

工作流 2：基于 SLURM 的多节点训练

Multi-Node Training:
- [ ] Step 1: Configure parallelism for scale
- [ ] Step 2: Set up SLURM script
- [ ] Step 3: Submit job
- [ ] Step 4: Resume from checkpoint

步骤 1：配置并行度以实现扩展

针对在 256 块 GPU（32 个节点）上运行的 700 亿参数模型：

[parallelism]
data_parallel_shard_degree = 32  # FSDP across 32 ranks
tensor_parallel_degree = 8        # TP within node
pipeline_parallel_degree = 1      # No PP for 70B
context_parallel_degree = 1       # Increase for long sequences

步骤 2：配置 SLURM 脚本

#!/bin/bash
#SBATCH --job-name=llama70b
#SBATCH --nodes=32
#SBATCH --ntasks-per-node=8
#SBATCH --gpus-per-node=8

srun torchrun \
  --nnodes=32 \
  --nproc_per_node=8 \
  --rdzv_backend=c10d \
  --rdzv_endpoint=$MASTER_ADDR:$MASTER_PORT \
  -m torchtitan.train \
  --job.config_file ./llama3_70b.toml

步骤 3：提交任务

sbatch multinode_trainer.slurm

第4步：从检查点继续训练

如果在配置的文件夹中存在检查点，训练将自动从中继续。

工作流程3：为H100显卡启用Float8训练模式

在H100 GPU上，使用Float8格式可将训练速度提升30-50%。

Float8 Training:
- [ ] Step 1: Install torchao
- [ ] Step 2: Configure Float8
- [ ] Step 3: Launch with compile

步骤 1：安装 torchao

USE_CPP=0 pip install git+https://github.com/pytorch/ao.git

步骤 2：配置 Float8

在您的 TOML 配置文件中添加以下内容：

[model]
converters = ["quantize.linear.float8"]

[quantize.linear.float8]
enable_fsdp_float8_all_gather = true
precompute_float8_dynamic_scale_for_fsdp = true
filter_fqns = ["output"]  # Exclude output layer

[compile]
enable = true
components = ["model", "loss"]

步骤 3：通过编译方式启动

CONFIG_FILE="./llama3_8b.toml" ./run_train.sh \
  --model.converters="quantize.linear.float8" \
  --quantize.linear.float8.enable_fsdp_float8_all_gather \
  --compile.enable

工作流 4：针对 405B 模型的 4D 并行处理方案

4D Parallelism (FSDP + TP + PP + CP):
- [ ] Step 1: Create seed checkpoint
- [ ] Step 2: Configure 4D parallelism
- [ ] Step 3: Launch on 512 GPUs

步骤 1：创建种子检查点

这是确保在多个 PP 阶段之间实现一致初始化所必需的。

NGPU=1 CONFIG_FILE=./llama3_405b.toml ./run_train.sh \
  --checkpoint.enable \
  --checkpoint.create_seed_checkpoint \
  --parallelism.data_parallel_shard_degree 1 \
  --parallelism.tensor_parallel_degree 1 \
  --parallelism.pipeline_parallel_degree 1

步骤 2：配置 4D 并行处理

[parallelism]
data_parallel_shard_degree = 8   # FSDP
tensor_parallel_degree = 8       # TP within node
pipeline_parallel_degree = 8     # PP across nodes
context_parallel_degree = 1      # CP for long sequences

[training]
local_batch_size = 32
seq_len = 8192

步骤 3：在 512 块 GPU 上启动

# 64 nodes x 8 GPUs = 512 GPUs
srun torchrun --nnodes=64 --nproc_per_node=8 \
  -m torchtitan.train \
  --job.config_file ./llama3_405b.toml

何时使用 TorchTitan 及其替代方案

适合使用 TorchTitan 的场景：

• 从零开始预训练大语言模型（8B 到 405B+ 参数量）
• 需要无需第三方依赖的纯 PyTorch 解决方案
• 需要可组合的 4D 并行计算能力（FSDP2、TP、PP、CP）
• 在支持 Float8 加速的 H100 硬件上进行训练
• 希望与 torchtune/HuggingFace 实现检查点互操作

可选择的其他替代方案：

• Megatron-LM：专为 NVIDIA 硬件部署设计，性能最优
• DeepSpeed：拥有更完善的 ZeRO 优化生态及推理支持功能
• Axolotl/TRL：适用于微调而非预训练场景
• LitGPT：用于教学目的的小规模训练

常见问题

问题：大型模型导致内存不足

请启用激活值检查点功能并减小批量大小：

[activation_checkpoint]
mode = "full"  # Instead of "selective"

[training]
local_batch_size = 1

或者使用梯度累积法：

[training]
local_batch_size = 1
global_batch_size = 32  # Accumulates gradients

问题：异步集合操作会导致 TP 消耗大量内存

设置环境变量：

export TORCH_NCCL_AVOID_RECORD_STREAMS=1

问题：Float8训练并未带来更快的速度提升

Float8的优势主要体现在大规模矩阵乘法操作上。对于包含小型层的模型，此优化方法并无显著效果：

[quantize.linear.float8]
filter_fqns = ["attention.wk", "attention.wv", "output", "auto_filter_small_kn"]

问题：更改并行度后检查点加载失败

请使用 DCP 的重新分片功能：

# Convert sharded checkpoint to single file
python -m torch.distributed.checkpoint.format_utils \
  dcp_to_torch checkpoint/step-1000 checkpoint.pt

问题：流水线并行初始化

请先创建种子检查点（参见工作流 4 的第 1 步）。

支持的模型

模型	参数量	状态
Llama 3.1	8B、70B、405B	已投入生产使用
Llama 4	多种规格	测试中
DeepSeek V3	16B、236B、671B（混合精度版）	测试中
GPT-OSS	20B、120B（混合精度版）	测试中
Qwen 3	多种规格	测试中
Flux	扩散模型	测试中

性能基准测试（H100）

模型	GPU 数量	并行策略	每 GPU TPS	优化技术
Llama 8B	8	FSDP	5,762	基准值
Llama 8B	8	FSDP+编译+FP8	8,532	提升 48%
Llama 70B	256	FSDP+TP+异步 TP	876	二维并行
Llama 405B	512	FSDP+TP+PP	128	三维并行

进阶主题

FSDP2 配置：有关 FSDP2 与 FSDP1 的详细对比以及 ZeRO 等效配置，可参阅 references/fsdp.md。

Float8 训练：关于张量级缩放与行级缩放的实现方法，可参阅 references/float8.md。

检查点保存：有关 HuggingFace 格式转换及异步检查点保存的详细信息，可参阅 references/checkpoint.md。

添加自定义模型：关于 TrainSpec 协议的用法，可参阅 references/custom-models.md。

相关资源

• GitHub 仓库：https://github.com/pytorch/torchtitan
• 论文链接：https://arxiv.org/abs/2410.06511
• ICLR 2025 发表页面：https://iclr.cc/virtual/2025/poster/29620
• PyTorch 论坛讨论帖：https://discuss.pytorch.org/c/distributed/torchtitan/44