4x Tesla P40 上训练 Llama-3.3-70B 大模型指南

1. 摘要

本报告详细记录了在不支持 BFloat16 和 Tensor Cores 半精度加速（Pascal 架构）的老旧硬件（Tesla P40）上，成功训练 70B 参数量级大预言模型的技术方案。

通过结合 4-bit NF4 量化、模型自动分片 (Model Sharding) 以及 纯 FP32 训练管线 (Pure FP32 Pipeline)，我们成功克服了硬件架构限制，实现了稳定训练。

2. 硬件与环境规格

Tesla P40 是一张性价比极高但年代久远的显卡（Pascal 架构，2016 年）。

• VRAM: 24GB GDDR5 (巨大优势)
• 架构: Pascal (GP102)
• 限制:
  • 不支持 BFloat16 (BF16): 这是现代 LLM 训练最常用的格式。
  • FP16 性能: 虽然支持 FP16 指令，但在 PyTorch/CUDA 现代实现中，混合精度训练 (AMP) 极易触发不支持的算子或导致数值不稳定。
  • PCIe: 3.0 (通信带宽受限)

推荐软件环境版本

为了保证最大的兼容性，建议锁定以下版本（经验证通过）：

• OS: Linux (Ubuntu 20.04/22.04)
• Python: 3.10+
• CUDA: 11.8 (于 P40 最稳定的版本)
• PyTorch: 2.3.1+cu118
• Transformers: 4.57.5
• PEFT: 0.12.0
• BitsAndBytes: 0.43.0
• TRL: 0.26.2
• Accelerate: 1.12.0

3. 核心技术挑战与解决方案

挑战 A: 70B 模型显存需求巨大

Llama-3.3-70B 的 FP16 权重需要约 140GB 显存。单张 P40 (24GB) 无法承载，甚至 4 张 (96GB) 也无法全参数加载。

✅ 解决方案：4-bit 量化 + 模型分片

• 4-bit NF4 量化: 将模型权重压缩至 ~35-40GB。
• Device Map Auto: 使用 accelerate 的自动分片功能，将模型层分布到 4 张 GPU 上。
  • GPU 0: ~9.7GB
  • GPU 1-2: ~8.3GB
  • GPU 3: ~14.7GB

挑战 B: 缺乏 BFloat16 支持与 AMP 崩溃

这是最棘手的问题。现代训练框架默认倾向于使用 BF16 或 FP16 混合精度 (AMP)。

在 P40 上：

1. 开启 bf16=True -> 直接报错 RuntimeError: BFloat16 not implemented。
2. 开启 fp16=True (AMP) -> GradientScaler 在处理梯度时会崩溃，或者遇到 RuntimeError: expected mat1 and mat2 to have the same dtype，因为某些内部算子（尤其是量化相关的）可能悄悄转换成了 BF16。

✅ 解决方案：纯 FP32 训练管线 (Pure FP32 Pipeline)

这是唯一稳健的方案。虽然 FP32 显存占用比 FP16 大一倍（主要在激活值和梯度），但由于我们已经使用了 4-bit 权重，剩下的空间足够 batch_size=1 的 FP32 训练。

1. 禁用 AMP: fp16=False, bf16=False。
2. 强制 FP32 权重: 将原本可能默认为 FP16 的非量化层 (lm_head, LayerNorm, LoRA adapters) 强制转换为 float32。
3. BitsAndBytes 配置: 显式指定 bnb_4bit_compute_dtype=torch.float32。

4. 完整实施教程

步骤 1: 环境安装

conda create -n llama_p40 python=3.10 -y
conda activate llama_p40
# 安装 PyTorch (CUDA 11.8)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 安装核心依赖
pip install --upgrade transformers peft bitsandbytes trl accelerate unsloth

步骤 2: 训练脚本配置 (关键代码)

创建一个 python 脚本 (e.g., train_p40.py)，关键部分如下：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig, TrainingArguments
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
from trl import SFTTrainer, SFTConfig

# 1. 配置 4-bit 量化 (关键：使用 FP32 计算)
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4", # 推荐 nf4 精度更高
    bnb_4bit_compute_dtype=torch.float32, # [关键] P40 必须用 FP32 计算
    bnb_4bit_use_double_quant=True,
)

# 2. 加载模型 (关键：分片 + 强制 float32)
model = AutoModelForCausalLM.from_pretrained(
    "/path/to/Llama-3.3-70B-Instruct",
    quantization_config=bnb_config,
    device_map="auto", # 自动分片到多卡
    torch_dtype=torch.float32, # [关键] 强制模型加载为 float32
    low_cpu_mem_usage=True,
)

# 3. 后处理：手动将所有非量化层转为 FP32
# BitsAndBytes 会锁定量化层，我们只需要转换剩下的
for name, module in model.named_modules():
    if "norm" in name.lower() or "lm_head" in name.lower():
        module.to(torch.float32)

# 4. 配置 LoRA
model = prepare_model_for_kbit_training(model)
lora_config = LoraConfig(
    r=8,
    lora_alpha=16,
    target_modules=["q_proj","k_proj","v_proj","o_proj"],
    task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora_config)

# 5. 再次确保 LoRA 层也是 FP32
for name, module in model.named_modules():
    if "lora_" in name:
        module.to(torch.float32)

# 6. 训练参数 (关键：禁用 AMP)
sft_config = SFTConfig(
    output_dir="./output",
    per_device_train_batch_size=1, # 显存有限，BS=1
    gradient_accumulation_steps=8, # 累积梯度弥补 BS
    fp16=False, # [关键] 必须关闭
    bf16=False, # [关键] 必须关闭
    optim="paged_adamw_8bit", # 节省优化器显存
    max_length=2048, # 根据显存调整
)

trainer = SFTTrainer(
    model=model,
    args=sft_config,
    # ... 其他数据集配置
)
trainer.train()

步骤 3: 运行训练

不要使用 accelerate launch 或 torchrun，因为我们使用的是 device_map="auto" (模型并行)，而不是 DDP (数据并行)。直接用 Python 运行：

CUDA_VISIBLE_DEVICES=0,1,2,3 python train_p40.py

5. 常见问题 (Troubleshooting)

• Q: 为什么不使用 DeepSpeed?
  • A: DeepSpeed 依赖较新的 CUDA 特性，在 CUDA 11.8 + P40 上编译极易失败。且 ZeRO-3 在高延迟的 PCIe 3.0 上效率不佳。device_map 是更简单的替代方案。
• Q: 报错 RuntimeError: "_amp_foreach_non_finite_check_and_unscale_cuda" not implemented for 'BFloat16'
  • A: 你开启了 AMP (fp16=True)。即使你没有显式使用 BF16，某些内部组件也可能触发它。请确保 fp16=False 且所有层都是 float32。
• Q: 显存还是不够怎么办？
  • A:
    1. 减小 max_length (e.g. 2048 -> 1024).
    2. 减小 per_device_train_batch_size (e.g. 1).
    3. 启用 gradient_checkpointing=True (Unsloth/TRL 默认支持).