deepspeedai / deepspeedai/DeepSpeedExamples
ds_eval_config v.s. ds_config
Ninguém assumiu esta issue ainda.
- Linguagem predominante
- Python
- Estrelas
- 6.8k
- Forks
- 1.1k
- Merge médio
- 2d 16h
- PRs com merge (30d)
- 1
Descrição
when initializing reward and ref models in step 3 of deepspeed-chat, there are two kinds of deepspeed config files are used, i.e. ds_config and ds_eval_config. May I ask why we need to use two configs here and any suggestions on safely removing ds_eval_config? e.g.,
def _init_reward(self, critic_model_name_or_path):
stime = log_init("Reward")
# DS Config
zero_stage = self.args.critic_zero_stage
if zero_stage != 3:
# If critic is ZeRO-3 then we use it for everything, otherwise assume we have enough memory
zero_stage = 0
ds_config = get_eval_ds_config(offload=self.args.offload,
stage=zero_stage)
ds_config[
'train_micro_batch_size_per_gpu'] = self.args.per_device_mini_train_batch_size
ds_config[
'train_batch_size'] = self.args.per_device_mini_train_batch_size * torch.distributed.get_world_size(
) * self.args.gradient_accumulation_steps
#TODO(jeff): should not be needed, we should be able to use ds_config above
#TODO(jeff): it means we never create the critic w. zero.init context if we are using ZeRO-3
ds_eval_config = get_eval_ds_config(offload=False, stage=0)
# Model
reward_model = create_critic_model(
model_name_or_path=critic_model_name_or_path,
tokenizer=self.tokenizer,
ds_config=ds_eval_config,
num_padding_at_beginning=self.args.num_padding_at_beginning,
rlhf_training=True)
reward_engine, *_ = deepspeed.initialize(model=reward_model,
config=ds_config)
Guia de contribuição
Nenhum guia de contribuição indexado para este repositório
Primeiros passos
- Leia a issue inteira e depois o guia de contribuição do projeto.
- Comente na issue dizendo que vai assumir — evita que duas pessoas façam o mesmo trabalho.
- Faça um fork do repositório e trabalhe em uma branch.
- Abra um pull request que referencie o número da issue.
Direção de pesquisa
Comece no fluxo de deepspeed-chat da etapa 3, em _init_reward, e rastreie get_eval_ds_config, create_critic_model e deepspeed.initialize. Compare as funções de ds_config e ds_eval_config e, em seguida, verifique se a remoção da segunda configuração preserva a inicialização do modelo de recompensa e o comportamento do ZeRO.
Escrita pelo modelo de indexação a partir do texto da issue.
Avaliação
- Stack de tecnologia
- python
- Domínio
- machine-learning
- Tipo de issue
- Refatoração
- Dificuldade
- 4/5
- Tempo estimado
- 3-5 dias
- Status de atividade
- Estagnada
- Clareza
- Razoavelmente clara
- Facilidade para iniciantes
- 35/100