open-九游平台

资源规格要求

推荐使用“西南-贵阳一”region上的lite server资源和ascend snt9b。训练至少需要单机8卡，推理需要单机单卡。

获取软件和镜像

约束限制

• 本文档适配昇腾云modelarts 6.3.905版本，请参考表2获取配套版本的软件包和镜像，请严格遵照版本配套关系使用本文档。
• 本文档适配的是
• 训练至少需要单机8卡，推理需要单机单卡。
• 确保容器可以访问公网。

step1 检查环境

1. 请参考，购买lite server资源，并确保机器已开通，密码已获取，能通过ssh登录，不同机器之间网络互通。
   

   购买lite server资源时如果无可选资源规格，需要联系华为云九游平台的技术支持申请开通。

   当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见。

2. ssh登录机器后，检查npu卡状态。运行如下命令，返回npu设备信息。

   npu-smi info                    # 在每个实例节点上运行此命令可以看到npu卡状态
   npu-smi info -l | grep total    # 在每个实例节点上运行此命令可以看到总卡数

   如出现错误，可能是机器上的npu设备没有正常安装，或者npu镜像被其他容器挂载。请先正常安装固件和驱动，或释放被挂载的npu。

3. 检查是否安装docker。

   docker -v   #检查docker是否安装

   如尚未安装，运行以下命令安装docker。

   yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64

4. 配置ip转发，用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值，如果为1，可跳过此步骤。

   sysctl -p | grep net.ipv4.ip_forward

   如果net.ipv4.ip_forward配置项的值不为1，执行以下命令配置ip转发。

   sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf
   sysctl -p | grep net.ipv4.ip_forward

step2 启动镜像

1. 获取基础镜像。建议使用官方提供的镜像。镜像地址{image_url}参见表2。

   docker pull {image_url}

2. 启动容器镜像。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。训练至少需要单机8卡，推理需要单机单卡。

   export work_dir="自定义挂载的工作目录"
   export container_work_dir="自定义挂载到容器内的工作目录"
   export container_name="自定义容器名称"
   export image_name="镜像名称"
   // 启动一个容器去运行镜像
   docker run -itd \
           --device=/dev/davinci0 \
           --device=/dev/davinci1 \
           --device=/dev/davinci2 \
           --device=/dev/davinci3 \
           --device=/dev/davinci4 \
           --device=/dev/davinci5 \
           --device=/dev/davinci6 \
           --device=/dev/davinci7 \
           --device=/dev/davinci_manager \
           --device=/dev/devmm_svm \
           --device=/dev/hisi_hdc \
           -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
           -v /usr/local/dcmi:/usr/local/dcmi \
           -v /etc/ascend_install.info:/etc/ascend_install.info \
           -v /sys/fs/cgroup:/sys/fs/cgroup:ro \
           -v /usr/local/ascend/driver:/usr/local/ascend/driver \
           --shm-size 80g \
           --net=bridge \
           -v ${work_dir}:${container_work_dir} \
           --name ${container_name} \
           ${image_name} bash

   参数说明：

   • device=/dev/davinci0，...， --device=/dev/davinci7：挂载npu设备，示例中挂载了8张卡davinci0~davinci7。
   • ${work_dir}:${container_work_dir} 代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的大文件系统，work_dir为宿主机中工作目录，目录下存放着训练所需代码、数据等文件。container_dir为要挂载到的容器中的目录。为方便两个地址可以相同。
   • shm-size：共享内存大小，建议不低于80gb。
   • name ${container_name}：容器名称，进入容器时会用到，此处可以自己定义一个容器名称。
   • v ${work_dir}:${container_work_dir}：代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。work_dir为宿主机中工作目录，目录下存放着训练所需代码、数据等文件。container_work_dir为要挂载到的容器中的目录。为方便两个地址可以相同。
   • ${image_name}：代表镜像地址。
   

   • 容器不能挂载到/home/ma-user目录，此目录为ma-user用户家目录。如果容器挂载到/home/ma-user下，拉起容器时会与基础镜像冲突，导致基础镜像不可用。
   • driver及npu-smi需同时挂载至容器。
   • 不要将多个容器绑到同一个npu上，会导致后续的容器无法正常使用npu功能。
3. 进入容器。需要将${container_name}替换为实际的容器名称。

   docker exec -it ${container_name} bash

   

   启动容器默认使用ma-user用户。后续所有命令执行也建议使用ma-user用户。

step3 获取代码包并安装依赖

1. 下载插件代码包ascendcloud-3rdaigc-6.3.905-xxx.zip文件，上传到容器的/home/ma-user/目录下，解压并安装相关依赖。获取路径参见获取软件和镜像。

   mkdir -p /home/ma-user/ascendcloud-aigc-algorithm-open_sora    #创建目录
   cd /home/ma-user/ascendcloud-aigc-algorithm-open_sora/          #进入目录
   unzip -zxvf ascendcloud-3rdaigc-6.3.905-*.zip
   tar -zxvf ascendcloud-aigc-algorithm-open_sora.tar.gz
   rm -rf ascendcloud-3rdaigc-6.3.905-*

2. 安装python环境。

   pip install -r requirements.txt
   cp attention_processor.py /home/ma-user/anaconda3/envs/pytorch-2.1.0/lib/python3.9/site-packages/diffusers/models/attention_processor.py
   cp low_level_optim.py /home/ma-user/anaconda3/envs/pytorch-2.1.0/lib/python3.9/site-packages/colossalai/zero/low_level/low_level_optim.py

step4 下载数据集

训练使用的开源数据集ucf101.rar，执行如下命令下载数据集并处理。数据集相关介绍参见。

mkdir datasets
cd datasets
wget https://www.crcv.ucf.edu/data/ucf101/ucf101.rar
unrar x ucf101.rar
cd ..
python -m tools.datasets.convert_dataset ucf101 ./datasets/ --split ucf-101
mv ucf101_ucf-101.csv datasets/

step5 启动训练服务

训练至少需要单机8卡。建议手动下载所需的权重文件，放在weights文件夹下。在/home/ma-user/ascendcloud-aigc-algorithm-open_sora/目录下进行操作。

1. 创建weights文件夹。

   mkdir weights

2. 下载基础模型权重：pixart-xl-2-512x512.pth和pixart-xl-2-256x256.pth

   cd weights  
   # 下载pixart-xl-2-512x512.pth和pixart-xl-2-256x256.pth
   wget https://huggingface.co/pixart-alpha/pixart-alpha/resolve/main/pixart-xl-2-512x512.pth 
   wget https://huggingface.co/pixart-alpha/pixart-alpha/resolve/main/pixart-xl-2-256x256.pth

3. 下载vae权重：sd-vae-ft-ema

   在weights文件夹下创建sd-vae-ft-ema文件夹。

   mkdir sd-vae-ft-ema

   然后进入九游平台官网地址： ，手动下载如图2所示四个文件，并上传到服务器的/home/ma-user/ascendcloud-aigc-algorithm-open_sora/weights/sd-vae-ft-ema/目录下。

   图2 huggingface中sd-vae-ft-ema模型目录内容
   

   上传完成后，weights/sd-vae-ft-ema/目录内容如图3所示。

   图3 服务器 weights/sd-vae-ft-ema/目录内容
   
4. 下载encoder模型权重：deepfloyd/t5-v1_1-xxl

   在weights文件夹下创建t5-v1_1-xxl文件夹。

   mkdir t5-v1_1-xxl

   然后进入九游平台官网地址 ，手动下载如图4所示文件，并放到 /home/ma-user/ascendcloud-aigc-algorithm-open_sora/weights/t5-v1_1-xxl 文件夹下。

   图4 huggingface中t5-v1_1-xxl模型目录内容
   

   上传完成后，weights/t5-v1_1-xxl/目录下内容如图5所示。

   图5 服务器 weights/t5-v1_1-xxl/目录内容
   

   最后weights文件夹下内容目录如图6所示。

   图6 服务器weights目录
   

   从weights目录下返回到代码目录下。

   cd ..

5. 在/home/ma-user/ascendcloud-aigc-algorithm-open_sora/目录下执行如下命令启动训练脚本。

   torchrun --nnodes=1 --nproc_per_node=8 train.py configs/opensora/train/64x512x512.py

   正常训练过程如下图所示。训练完成后，关注loss值，loss曲线收敛，记录总耗时和单步耗时。训练过程中，训练日志会在最后的rank节点打印。可以使用可视化工具查看loss收敛情况。

   图7 正常训练过程
   

   训练完成后权重保存在自动生成的目录，例如：outputs/010-f16s3-stdit-xl-2/epoch1-global_step2000/。

   图8 训练完成后权重保存信息
   

step6 推理

执行如下命令使用官方权重推理。推理脚本inference.py 会自动下载官方权重文件。

torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path ./opensora-v1-hq-16x512x512.pth

如果自动下载官方权重文件opensora-v1-hq-16x512x512.pth失败，建议手动下载权重文件并上传到容器/home/ma-user/ascendcloud-aigc-algorithm-open_sora/目录中。

"opensora-v1-hq-16x512x512.pth": ""

执行如下命令使用训练后生成的权重推理。训练完成后会在工作目录/home/ma-user/ascendcloud-aigc-algorithm-open_sora/下自动生成一个outputs文件夹，训练后生成的权重文件存放在outputs文件夹中，例如outputs/010-f16s3-stdit-xl-2/epoch1-global_step2000/。

export ckpt_path=./outputs/.../ #由训练日志中获得
torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path $ckpt_path

如果要使用自己的prompt进行推理，可以修改用户自己推理脚本配置文件中prompt_path。例如在configs/opensora/inference/64x512x512.py配置文件中，使用了自己的prompt文件overfit.txt。

图9 修改prompt_path

step7 精度对比

由于npu和gpu生成的随机数不一样，需要固定二者的随机数再进行精度对比。通常的做法是先用gpu单卡跑一遍训练，生成固定下来的随机数。然后npu和gpu都用固定的随机数进行单机8卡训练，比较精度。

1. 训练精度对齐。对齐前2000步的loss，观察loss在极小误差范围内。

   gpu环境下，使用github中的官方代码跑训练任务。github中的官方代码下载路径：

   在npu代码 configs/opensora/train/64x512x512.py中把 epochs = 200000 临时改成 epochs = 2000

   图10 配置文件64x512x512.py 修改训练步数
   

   将npu代码中configs/opensora/train/64x512x512.py文件和configs/opensora/inference/64x512x512.py文件复制到gpu代码目录中，使用相同的参数配置文件。

   将npu代码目录中的opensora/schedulers/iddpm/__init__.py文件和opensora/schedulers/iddpm/gaussian_diffusion.py文件复制到gpu代码目录中，添加固定随机数功能。

   进行gpu单机八卡训练，生成固定训练随机数，随机数会保存在noise文件夹中。

   mkdir noise_train   #创建文件夹noise_train，用于存放生成的随机数
   export lock_rand=true   #是否固定随机数
   export save_rand=true   #是否保存生成的随机数
   export noise_path="./noise_train"    #将生成的随机数保存在"./noise_train"目录
   torchrun --nnodes=1 --nproc_per_node=8 train.py configs/opensora/train/64x512x512.py

   

   正常训练时不需要增加如下命令，只有训练精度对比时需要。

   export lock_rand=true   #是否固定随机数
   export save_rand=true   #是否保存生成的随机数
   export noise_path="./noise_train"    #将生成的随机数保存在"./noise_train"目录

   在npu和gpu机器使用上面生成的固定随机数，分别跑一遍单机8卡训练，比较在相应目录下生成的loss.txt文件。在npu训练前，需要将上面gpu单机单卡训练生成的"./noise_train"文件夹移到npu相同目录下。npu和gpu的训练命令相同，如下。

   export lock_rand=true
   export save_rand=false
   export noise_path="./noise_train"
   torchrun --nnodes=1 --nproc_per_node=8 train.py configs/opensora/train/64x512x512.py

   gpu和npu训练脚本中的参数要保持一致，除了参数dtype。npu环境下，dtype="fp16"，gpu环境下，dtype="bf16"。

2. 基于npu训练后的权重文件和gpu训练后的权重文件，对比推理精度。推理精度对齐流程和训练精度对齐流程相同，先在gpu固定推理的随机数。

   mkdir noise_test1  #创建文件夹noise_test1，用于存放生成的随机数
   export lock_rand=true   #是否固定随机数
   export save_rand=true    #是否保存生成的随机数
   export noise_path="./noise_test1"    #将生成的随机数保存在"./noise_test1"目录
   export ckpt_path=./outputs/.../ #由训练日志中获得，例如outputs/010-f16s3-stdit-xl-2/epoch1-global_step2000/
   torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path $ckpt_path

   在npu和gpu机器使用上面生成的固定随机数，分别跑一遍单机单卡推理，比较生成的视频是否一致。在npu推理前，需要将上面gpu单机单卡推理生成的"./noise_test1"文件夹移到npu相同目录下。npu和gpu的推理命令相同，如下。

   export lock_rand=true
   export save_rand=false
   export noise_path="./noise_test1"
   export ckpt_path=./outputs/.../ #由训练日志中获得，例如outputs/010-f16s3-stdit-xl-2/epoch1-global_step2000/
   torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path $ckpt_path

3. 基于官方权重文件分别在gpu和npu进行推理，对比推理精度。推理精度对齐流程和训练精度对齐流程相同，先在gpu固定推理的随机数。

   mkdir noise_test2  #创建文件夹noise_test2，用于存放生成的随机数
   export lock_rand=true  #是否固定随机数
   export save_rand=true   #是否保存生成的随机数
   export noise_path="./noise_test2"  #将生成的随机数保存在"./noise_test2"目录
   torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path ./opensora-v1-hq-16x512x512.pth

   在npu和gpu机器使用上面生成的固定随机数，分别跑一遍单机单卡推理，比较生成的视频是否一致。在npu推理前，需要将上面gpu单机单卡推理生成的"./noise_test2"文件夹移到npu相同目录下。npu和gpu的推理命令相同，如下。

   export lock_rand=true
   export save_rand=false
   export noise_path="./noise_test2"
   torchrun --standalone --nproc_per_node 1 inference.py configs/opensora/inference/64x512x512_npu.py --ckpt-path ./opensora-v1-hq-16x512x512.pth