如何使用DeepSpeed来训练大模型

🔥 DeepSpeed是什么？

• DeepSpeed 是微软开源的一个 分布式训练加速库。

• 能帮助我们：

  • 高效训练大模型（百亿、千亿参数规模）

  • 节省显存、加速训练

  • 支持 ZeRO 优化器、Offload、混合精度（FP16/BF16）、梯度累积

  • 快速启动多机多卡训练

总结一句话：

DeepSpeed = 大模型训练神器，尤其适合 SFT、预训练、微调阶段。

---

🌈 DeepSpeed 安装

1️⃣ 安装基础依赖

通常只需要：

pip install deepspeed

对于更大规模训练，可以加上：

pip install deepspeed[all]

确保安装了 PyTorch >= 1.12。

---

🚀 DeepSpeed 快速上手（训练脚本改造）

2️⃣ 修改训练脚本（以 PyTorch / Hugging Face 为例）

🧩 （1）DeepSpeed CLI 启动

假设你已经有一个 train.py（PyTorch训练脚本）：

deepspeed train.py --deepspeed ds_config.json

• ds_config.json：DeepSpeed配置文件（稍后详细讲）。

🧩 （2）代码适配（只需两步！）

✅ a. 导入 deepspeed：

import deepspeed

✅ b. 替换优化器 & 模型初始化：

model_engine, optimizer, _, _ = deepspeed.initialize(args=your_args,model=model,optimizer=optimizer,model_parameters=model.parameters(),config="ds_config.json"
)

✅ c. 训练 loop 改为：

for batch in dataloader:outputs = model_engine(batch)loss = outputs.lossmodel_engine.backward(loss)model_engine.step()

🎯 小结：只需 initialize 和 model_engine 替换，几行代码搞定！

---

🔍 DeepSpeed配置文件（ds_config.json）详解

这是 DeepSpeed 的核心，控制训练的优化策略。常见配置如下：

{"train_batch_size": 32,"train_micro_batch_size_per_gpu": 4,"gradient_accumulation_steps": 8,"zero_optimization": {"stage": 2,"offload_optimizer": {"device": "cpu"},"offload_param": {"device": "cpu"}},"fp16": {"enabled": true},"gradient_clipping": 1.0,"steps_per_print": 100,"wall_clock_breakdown": false
}

⚙️ 常见配置解释：

参数	含义	推荐值 / 建议
train_batch_size	全局 batch size	必须设置
train_micro_batch_size_per_gpu	每个GPU的 batch size	看显存而定
gradient_accumulation_steps	梯度累积步数	train_batch_size / (num_gpus * micro_batch_size)
zero_optimization	ZeRO 优化器	stage 1/2/3
offload_optimizer	优化器 offload	省显存，慢一点
offload_param	参数 offload	stage 3 时常用
fp16 / bf16	混合精度	true
gradient_clipping	梯度裁剪	1.0

---

📦 Hugging Face 🤗 集成 DeepSpeed

Hugging Face Transformers 已原生支持 DeepSpeed！
只需在 trainer 里加上 --deepspeed 参数即可！

✅ 步骤：
1️⃣ 准备 ds_config.json
2️⃣ 命令行运行：

accelerate config  # 配置训练
accelerate launch --multi_gpu --deepspeed ds_config.json train.py

✅ 代码示例：

from transformers import Trainer, TrainingArgumentstraining_args = TrainingArguments(output_dir="./results",per_device_train_batch_size=2,per_device_eval_batch_size=2,gradient_accumulation_steps=8,fp16=True,deepspeed="ds_config.json",  # 只需加这一行！
)trainer = Trainer(model=model,args=training_args,train_dataset=train_dataset,eval_dataset=eval_dataset,
)trainer.train()

---

💡 高级技巧

✅ ZeRO-3 + Offload
最大化节省显存（即使只有 24GB 显卡也能训练 65B 模型！）
✅ Activation Checkpointing
减少显存占用，开启方式：

"activation_checkpointing": {"partition_activations": true,"contiguous_memory_optimization": true
}

✅ 梯度累积
模拟大 batch size，显存不够时的必杀技。
✅ DeepSpeed Inference Engine
支持推理加速，适合部署阶段。

---

🌳 项目结构

sft_project/
├── data/
│   ├── train.jsonl
│   └── val.jsonl
├── model/
│   └── (预训练模型文件夹，如LLaMA、Baichuan)
├── deepspeed_config/
│   └── ds_config.json
├── train.py
├── requirements.txt
└── README.md

🎓 总结

你想做什么？	如何用DeepSpeed？
训练大模型	用 deepspeed 启动，写好 ds_config.json
不想改代码	Hugging Face Trainer + --deepspeed 参数
显存不够	开启 ZeRO-3 + Offload + FP16/BF16
多机多卡训练	deepspeed --num_gpus=8 或 accelerate launch
部署	DeepSpeed Inference 加速推理