LLM大模型系列：监控大模型训练

最新推荐文章于 2025-04-17 20:43:59 发布

Llama-Turbo

最新推荐文章于 2025-04-17 20:43:59 发布

阅读量1.1k

点赞数 10

文章标签：人工智能 AI产品经理大模型产品经理 langchain llm LLMs

本文链接：https://blog.youkuaiyun.com/pythonhy/article/details/139746518

版权

大模型训练时间久，而且过程中容易出现各种各样的问题而中断，中断之后不及时续练的话对GPU资源是很大的浪费，但是我们又不能一直盯着程序。所以本文将介绍如何编写一个监控程序来监控大模型的训练，以方便我们在大模型训练出现异常时及时通知给我们。

监控的方式有很多，这里介绍两个方式。

根据log文件大小变化监控训练是否进行

在linux nohup指令详解中，我们提到了使用Linux的nohup命令来运行训练脚本，该命令会创建一个日志文件，大模型在训练的过程中会不断输出内容，因此该日志文件的大小是随时在变化的。因此，我们可以通过隔一段时间判断该日志文件的大小是否变化来判断大模型的训练是否出现异常。如果大模型训练出现异常，我们需要通过一种常用的通讯方式来告知自己，这里选择使用邮箱（也可以使用短信、QQ/微信通知等方式）。

核心代码如下：

python

import os
import time
import smtplib
from email.mime.text import MIMEText

# 配置邮箱信息
SMTP_SERVER = 'smtp.qq.com'
SMTP_PORT = 587
EMAIL_USERNAME = '作为SMTP服务器的QQ邮箱'
EMAIL_PASSWORD = '你的QQ邮箱SMTP服务的密钥'
EMAIL_FROM = '作为SMTP服务器的QQ邮箱'
EMAIL_TO = '你接收通知邮件的QQ邮箱'
EMAIL_SUBJECT = '大模型训练终止提醒'

# 监测的文件路径
FILE_PATH = '/...../nohup.out'


def send_email(message):
    msg = MIMEText(message)
    msg['From'] = EMAIL_FROM
    msg['To'] = EMAIL_TO
    msg['Subject'] = EMAIL_SUBJECT

    with smtplib.SMTP(SMTP_SERVER, SMTP_PORT) as server:
        server.starttls()
        server.login(EMAIL_USERNAME, EMAIL_PASSWORD)
        server.sendmail(from_addr=EMAIL_FROM, to_addrs=[EMAIL_TO], msg=msg.as_string())


def monitor_file():
    # 获取初始文件大小
    initial_size = os.path.getsize(FILE_PATH)

    while True:
        # 等待10分钟
        time.sleep(600)

        # 获取当前文件大小
        current_size = os.path.getsize(FILE_PATH)

        if current_size == initial_size:
            # 文件大小没有变化，发送警告邮件
            message = '日志文件在十分钟内没有发生变化，大模型训练可能已终止！'
            send_email(message)
        else:
            # 文件大小发生变化，更新初始文件大小
            print(f'log changed: {current_size-initial_size}')
            initial_size = current_size
            

if __name__ == '__main__':
    monitor_file()

根据GPU显存占用率监控训练是否进行

训练大模型时，GPU的显存占用率一般都比较高，所以我们也可以通过GPU显存的占用率来判断大模型的训练是否出现异常。这里我们同样使用邮箱来通知自己。

核心代码如下：

python

import subprocess
import smtplib
from email.mime.text import MIMEText
import time

def get_gpu_memory_usage():
    output = subprocess.check_output(['nvidia-smi', '--query-gpu=memory.used', '--format=csv,nounits,noheader'])
    memory_used = [int(x) for x in output.decode().strip().split('\n')]
    return memory_used

# 配置邮箱信息
SMTP_SERVER = 'smtp.qq.com'
SMTP_PORT = 587
EMAIL_USERNAME = '作为SMTP服务器的QQ邮箱'
EMAIL_PASSWORD = '你的QQ邮箱SMTP服务的密钥'
EMAIL_FROM = '作为SMTP服务器的QQ邮箱'
EMAIL_TO = '你接收通知邮件的QQ邮箱'
EMAIL_SUBJECT = '大模型训练终止提醒'


def send_email(message):
    msg = MIMEText(message)
    msg['From'] = EMAIL_FROM
    msg['To'] = EMAIL_TO
    msg['Subject'] = EMAIL_SUBJECT

    with smtplib.SMTP(SMTP_SERVER, SMTP_PORT) as server:
        server.starttls()
        server.login(EMAIL_USERNAME, EMAIL_PASSWORD)
        server.sendmail(from_addr=EMAIL_FROM, to_addrs=[EMAIL_TO], msg=msg.as_string())

def main():
    while True:
        memory_used_list = get_gpu_memory_usage()
        # memory_total是你服务器总的显存量，此处使用的服务器有8张40G的A100，因此总显存量为40960*8
        memory_total = 40960 * 8
        memory_used = 0
        for memory in memory_used_list:
            memory_used += memory
        memory_usage_percent = (memory_used / memory_total) * 100

        if memory_usage_percent < 10:
            subject = '服务器显存占用率过低警告'
            body = f'显存占用率为 {memory_usage_percent}%，低于10%。请检查服务器。'
            send_email(subject, body)
        else:
            print(f'GPU Memory %: {memory_usage_percent}')

        time.sleep(600)  # 等待10分钟（600秒）

if __name__ == '__main__':
    main()

我们可以使用linux nohup指令详解中介绍的nohup命令运行这两个程序中的一个，以监控大模型的训练是否正常进行。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍