Accelerate documentation

A Linha de Comando

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

A Linha de Comando

Abaixo está a lista de todos os comandos disponíveis do 🤗 Accelerate com seus parâmetros

accelerate config

Comando:

accelerate config ou accelerate-config

Inicia uma série de prompts para criar e salvar um arquivo de configuração default_config.yml para o seu sistema de treinamento. Deve sempre ser executado primeiro na sua máquina.

Uso:

accelerate config [arguments]

Argumentos Opcionais:

  • --config_file CONFIG_FILE (str) — O caminho a ser usado para armazenar o arquivo de configuração. O padrão será um arquivo chamado default_config.yaml no local do cache, que é o conteúdo da variável de ambiente HF_HOME com o sufixo ‘accelerate’, ou, se você não tiver essa variável de ambiente, seu diretório de cache (~/.cache ou o conteúdo de XDG_CACHE_HOME) com o sufixo huggingface.
  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai

accelerate config default

Comando:

accelerate config default ou accelerate-config default

Crie um arquivo de configuração padrão para o Accelerate com apenas algumas flags definidas.

Uso:

accelerate config default [arguments]

Argumentos Opcionais:

  • --config_file CONFIG_FILE (str) — O caminho a ser usado para armazenar o arquivo de configuração. O padrão será um arquivo chamado default_config.yaml no local do cache, que é o conteúdo da variável de ambiente HF_HOME com o sufixo ‘accelerate’, ou, se você não tiver essa variável de ambiente, seu diretório de cache (~/.cache ou o conteúdo de XDG_CACHE_HOME) com o sufixo huggingface.

  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai

  • --mixed_precision {no,fp16,bf16} (str) — Se deve ou não usar treinamento com precisão mista. Escolha entre treinamento com FP16 e BF16 (bfloat16). O treinamento com BF16 é suportado apenas em GPUs Nvidia Ampere e PyTorch 1.10 ou posterior.

accelerate config update

Comando:

accelerate config update ou accelerate-config update

Atualize um arquivo de configuração existente com os padrões mais recentes, mantendo a configuração antiga.

Uso:

accelerate config update [arguments]

Argumentos Opcionais:

  • --config_file CONFIG_FILE (str) — O caminho para o arquivo de configuração a ser atualizado. O padrão será um arquivo chamado default_config.yaml no local do cache, que é o conteúdo da variável de ambiente HF_HOME com o sufixo ‘accelerate’, ou, se você não tiver essa variável de ambiente, seu diretório de cache (~/.cache ou o conteúdo de XDG_CACHE_HOME) com o sufixo huggingface.

  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai

accelerate env

Comando:

accelerate env ou accelerate-env ou python -m accelerate.commands.env

Lista o conteúdo do arquivo de configuração do 🤗 Accelerate passado. Deve ser usado sempre que for abrir uma issue no repositório do GitHub.

Uso:

accelerate env [arguments]

Argumentos Opcionais:

  • --config_file CONFIG_FILE (str) — O caminho a ser usado para armazenar o arquivo de configuração. O padrão será um arquivo chamado default_config.yaml no local do cache, que é o conteúdo da variável de ambiente HF_HOME com o sufixo ‘accelerate’, ou, se você não tiver essa variável de ambiente, seu diretório de cache (~/.cache ou o conteúdo de XDG_CACHE_HOME) com o sufixo huggingface.
  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai

accelerate launch

Comando:

accelerate launch ou accelerate-launch ou python -m accelerate.commands.launch

Inicia um script especificado em um sistema distribuído com os parâmetros corretos.

Uso:

accelerate launch [arguments] {training_script} --{training_script-argument-1} --{training_script-argument-2} ...

Argumentos posicionais:

  • {training_script} — O caminho completo para o script a ser executado em paralelo
  • --{training_script-argument-1} — Argumentos do script de treinamento

Argumentos Opcionais:

  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai
  • --config_file CONFIG_FILE (str)— O arquivo de configuração a ser usado para os valores padrão no script de lançamento.
  • -m, --module (bool) — Altera cada processo para interpretar o script de inicialização como um módulo Python, executando com o mesmo comportamento de ‘python -m’.
  • --no_python (bool) — Pula a adição de ‘python’ antes do script de treinamento - apenas execute-o diretamente. Útil quando o script não é um script Python.
  • --debug (bool) — Se deve imprimir a stack trace do torch.distributed quando algo falha.
  • -q, --quiet (bool) — Exibe erros de treinamento sem o traceback do launcher, mesmo com --debug. Aplica-se a lançamentos de processo único, multi-GPU e DeepSpeed.

O restante desses argumentos é configurado por meio de accelerate config e seus valores são lidos do --config_file especificado (ou da configuração padrão). Eles também podem ser passados manualmente.

Argumentos de seleção de hardware:

  • --cpu (bool) — Se deve forçar o treinamento na CPU.
  • --multi_gpu (bool) — Se deve ou não iniciar um treinamento distribuído em GPU.
  • --tpu (bool) — Se deve ou não iniciar um treinamento em TPU.

Argumentos de seleção de recursos:

Os seguintes argumentos são úteis para ajustar como o hardware disponível deve ser utilizado

  • --mixed_precision {no,fp16,bf16,fp8} (str) — Se deve ou não usar treinamento com precisão mista. Escolha entre treinamento com FP16 e BF16 (bfloat16). O treinamento com BF16 é suportado apenas em GPUs Nvidia Ampere e PyTorch 1.10 ou posterior.
  • --num_processes NUM_PROCESSES (int) — O número total de processos a serem lançados em paralelo.
  • --num_machines NUM_MACHINES (int) — O número total de máquinas usadas neste treinamento.
  • --num_cpu_threads_per_process NUM_CPU_THREADS_PER_PROCESS (int) — O número de threads de CPU por processo. Pode ser ajustado para desempenho ideal.
  • --enable_cpu_affinity (bool) — Se a afinidade e o balanceamento de CPU devem ser habilitados. Atualmente, suportado apenas em hardware NVIDIA.

Argumentos do paradigma de treinamento:

Os seguintes argumentos são úteis para selecionar qual paradigma de treinamento usar.

  • --use_deepspeed (bool) — Se deve ou não usar DeepSpeed para o treinamento.
  • --use_fsdp (bool) — Se deve ou não usar FullyShardedDataParallel para o treinamento.
  • --use_megatron_lm (bool) — Se deve ou não usar o Megatron-LM para o treinamento.

Argumentos de GPU distribuída:

Os seguintes argumentos são úteis apenas quando multi_gpu é passado ou o treinamento multi-GPU é configurado por meio de accelerate config:

  • --gpu_ids (str) — Quais GPUs (por id) devem ser usadas para o treinamento nesta máquina, como uma lista separada por vírgulas
  • --same_network (bool) — Se todas as máquinas usadas para treinamento multinó estão na mesma rede local.
  • --machine_rank (int) — O rank da máquina na qual este script é iniciado.
  • --main_process_ip (str) — O endereço IP da máquina do rank 0.
  • --main_process_port (int) — A porta a ser usada para se comunicar com a máquina de rank 0.
  • -t, --tee (str) — Redireciona os fluxos padrão para um arquivo de log e também para o console.
  • --log_dir (str) — Diretório base a ser usado para arquivos de log ao utilizar torchrun/torch.distributed.run como lançador. Use com —tee para redirecionar as informações dos fluxos padrão para os arquivos de log.
  • --role (str) — Papel definido pelo usuário para os workers.
  • --rdzv_backend (str) — O método de rendezvous a ser usado, como ‘static’ (o padrão) ou ‘c10d’
  • --rdzv_conf (str) — Configuração adicional de rendezvous (<key1>=<value1>,<key2>=<value2>,…).
  • --max_restarts (int) — Número máximo de reinícios do grupo de workers antes de falhar.
  • --monitor_interval (int) — Intervalo, em segundos, para monitorar o estado dos workers.

Argumentos de TPU:

Os seguintes argumentos são úteis apenas quando tpu é passado ou o treinamento em TPU é configurado por meio de accelerate config:

  • --tpu_cluster (bool) — Se deve usar um pod TPU do GCP para treinamento.
  • --tpu_use_sudo (bool) — Se deve usar sudo ao executar o script de treinamento do TPU em cada pod.
  • --vm (str) — Lista de nomes de instâncias únicas de Compute VM. Se não for fornecida, assumimos o uso de grupos de instâncias. Para pods de TPU.
  • --env (str) — Lista de variáveis de ambiente a serem definidas nas instâncias da Compute VM. Para pods de TPU.
  • --main_training_function (str) — O nome da função principal a ser executada no seu script (apenas para treinamento em TPU).
  • --downcast_bf16 (bool) — Se, ao usar precisão bf16 em TPUs, tanto os tensores float quanto double são convertidos para bfloat16 ou se os tensores double permanecem como float32.

Argumentos do DeepSpeed:

Os seguintes argumentos são úteis apenas quando use_deepspeed é passado ou deepspeed é configurado por meio de accelerate config:

  • --deepspeed_config_file (str) — Arquivo de configuração do DeepSpeed.
  • --zero_stage (int) — Etapa de otimização ZeRO do DeepSpeed.
  • --offload_optimizer_device (str) — Define onde (none|cpu|nvme) descarregar os estados do otimizador.
  • --offload_param_device (str) — Define onde (none|cpu|nvme) os parâmetros serão descarregados.
  • --offload_optimizer_nvme_path (str) — Define o caminho Nvme para descarregar os estados do otimizador.
  • --gradient_accumulation_steps (int) — Número de gradient_accumulation_steps usado no seu script de treinamento.
  • --gradient_clipping (float) — Valor de recorte de gradiente usado no seu script de treinamento.
  • --zero3_init_flag (str) — Decide se (true|false) deve ser habilitado o deepspeed.zero.Init para a construção de modelos massivos. Aplicável apenas com DeepSpeed ZeRO Stage-3.
  • --zero3_save_16bit_model (str) — Decide se (true|false) salvar os pesos do modelo de 16 bits ao usar ZeRO Stage-3. Aplicável apenas com DeepSpeed ZeRO Stage-3.
  • --deepspeed_hostfile (str) — hostfile do DeepSpeed para configurar recursos de computação em múltiplos nós.
  • --deepspeed_exclusion_filter (str) — String do filtro de exclusão do DeepSpeed ao usar configuração multi-nó.
  • --deepspeed_inclusion_filter (str) — String do filtro de inclusão do DeepSpeed ao usar configuração multi-nó.
  • --deepspeed_multinode_launcher (str) — Launcher de múltiplos nós do DeepSpeed a ser utilizado.
  • --deepspeed_moe_layer_cls_names (str) — lista separada por vírgulas dos nomes das classes de camadas MoE do transformer (sensível a maiúsculas e minúsculas) a serem encapsuladas, por exemplo, MixtralSparseMoeBlock Qwen2MoeSparseMoeBlock, JetMoEAttention,JetMoEBlock

Argumentos de Parallelismo de Dados Totalmente Fragmentados:

Os seguintes argumentos são úteis apenas quando use_fsdp é passado ou quando o Fully Sharded Data Parallelism é configurado por meio de accelerate config:

  • --fsdp_offload_params (str) — Decide se (true|false) os parâmetros e gradientes devem ser transferidos para a CPU.
  • --fsdp_min_num_params (int) — Número mínimo de parâmetros do FSDP para o Auto Wrapping padrão.
  • --fsdp_sharding_strategy (int) — Estratégia de Sharding do FSDP.
  • --fsdp_auto_wrap_policy (str) — Política de auto wrap do FSDP.
  • --fsdp_transformer_layer_cls_to_wrap (str) — Nome da classe da camada Transformer (sensível a maiúsculas e minúsculas) a ser envolvida, por exemplo, BertLayer, GPTJBlock, T5Block …
  • --fsdp_backward_prefetch_policy (str) — Política de pré-busca reversa do FSDP.
  • --fsdp_state_dict_type (str) — Tipo de state dict do FSDP.
  • --fsdp_forward_prefetch (str) — Pré-busca de encaminhamento do FSDP.
  • --fsdp_use_orig_params (str) — Se True, permite requires_grad não uniforme misturado em uma unidade FSDP.
  • --fsdp_cpu_ram_efficient_loading (str) — Se true, apenas o primeiro processo carrega o checkpoint do modelo pré-treinado, enquanto todos os outros processos têm pesos vazios. Ao usar isso, --fsdp_sync_module_states precisa ser True.
  • --fsdp_sync_module_states (str) — Se true, cada unidade FSDP individualmente envolvida fará o broadcast dos parâmetros do módulo a partir do rank 0.
  • --fsdp_activation_checkpointing (bool) — Decide se as ativações intermediárias são liberadas durante a passagem de frente e se um checkpoint é deixado como marcador

Argumentos do Megatron-LM:

Os seguintes argumentos são úteis apenas quando use_megatron_lm é passado ou quando o Megatron-LM é configurado por meio de accelerate config:

  • --megatron_lm_tp_degree (“) — Grau de Tensor Parallelism (TP) do Megatron-LM.
  • --megatron_lm_pp_degree (“) — Grau de Pipeline Parallelism (PP) do Megatron-LM.
  • --megatron_lm_num_micro_batches (“) — número de micro lotes do Megatron-LM quando o grau de PP > 1.
  • --megatron_lm_sequence_parallelism (“) — Decide se (true|false) o Sequence Parallelism deve ser habilitado quando o grau de TP > 1.
  • --megatron_lm_recompute_activations (“) — Decide se (true|false) deve ativar a Recomputação Seletiva de Ativações.
  • --megatron_lm_use_distributed_optimizer (“) — Decide se (true|false) deve ser usado um otimizador distribuído, que divide o estado do otimizador e os gradientes entre os ranks de Data Parallel (DP).
  • --megatron_lm_gradient_clipping (“) — Valor de clipping de gradiente do Megatron-LM com base na norma L2 global (0 para desativar).

Argumentos de FP8:

  • --fp8_backend (str) — Escolha um backend para treinar com FP8 (ao ou te)
  • --fp8_use_autocast_during_eval (bool) — Se deve usar FP8 autocast durante o modo de avaliação (útil apenas quando --fp8_backend=te é passado). Geralmente, métricas melhores são obtidas quando este argumento não é passado.
  • --fp8_margin (int) — A margem a ser usada para o escalonamento do gradiente (útil apenas quando --fp8_backend=te é passado).
  • --fp8_interval (int) — O intervalo a ser usado para a frequência de recálculo do fator de escala (útil apenas quando --fp8_backend=te é passado).
  • --fp8_format (str) — O formato a ser usado para a receita FP8 (útil apenas quando --fp8_backend=te é passado).
  • --fp8_amax_history_len (int) — O comprimento do histórico a ser usado para o cálculo do fator de escala (útil apenas quando --fp8_backend=te é passado).
  • --fp8_amax_compute_algo (str) — O algoritmo a ser usado para o cálculo do fator de escala. (útil apenas quando --fp8_backend=te é passado).
  • --fp8_override_linear_precision (Tuple[bool, bool, bool]) — Se os GEMMs de fprop, dgrad e wgrad devem ser executados em maior precisão.

Argumentos do AWS SageMaker:

Os seguintes argumentos são úteis apenas ao treinar no SageMaker

  • --aws_access_key_id AWS_ACCESS_KEY_ID (str) — O AWS_ACCESS_KEY_ID usado para iniciar o job de treinamento do Amazon SageMaker
  • --aws_secret_access_key AWS_SECRET_ACCESS_KEY (str) — O AWS_SECRET_ACCESS_KEY usado para iniciar o job de treinamento do Amazon SageMaker

accelerate estimate-memory

Comando:

accelerate estimate-memory ou accelerate-estimate-memory ou python -m accelerate.commands.estimate

Estima a quantidade total de vRAM necessária para carregar um modelo específico hospedado no Hub, incluindo uma estimativa para treinamento. Exige que huggingface_hub esteja instalado.

Ao realizar inferência, normalmente adicione ≤20% ao resultado como alocação geral conforme referenciado aqui. Teremos estimativas mais extensas no futuro que serão incluídas automaticamente no cálculo.

Uso:

accelerate estimate-memory {MODEL_NAME} --library_name {LIBRARY_NAME} --dtypes {dtype_1} {dtype_2} ...

Argumentos obrigatórios:

  • MODEL_NAME (str)— O nome do modelo no Hugging Face Hub

Argumentos Opcionais:

  • --library_name {timm,transformers} (str) — A biblioteca com a qual o modelo possui uma integração, como transformers, necessária apenas se essa informação não estiver armazenada no Hub
  • --dtypes {float32,float16,int8,int4} ([{float32,float16,int8,int4} ...]) — Os dtypes a serem usados para o modelo, devem ser um (ou vários) de float32, float16, int8 e int4
  • --trust_remote_code (bool) — Se permite ou não o uso de modelos personalizados definidos no Hub em seus próprios arquivos de modelagem. Essa opção deve ser passada apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.

accelerate tpu-config

accelerate tpu-config

Uso:

accelerate tpu-config [arguments]

Argumentos Opcionais:

  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai

Argumentos de Configuração:

Argumentos que podem ser configurados por meio de accelerate config.

  • --config_file (str) — Caminho para o arquivo de configuração a ser usado pelo accelerate.
  • --tpu_name (str) — O nome do TPU a ser usado. Se não for especificado, será utilizado o TPU definido no arquivo de configuração.
  • --tpu_zone (str) — A zona do TPU a ser usada. Se não for especificada, será usada a zona especificada no arquivo de configuração.

Argumentos de TPU:

Argumentos para as opções executadas dentro do TPU.

  • --command_file (str) — O caminho para o arquivo contendo os comandos a serem executados no pod na inicialização.
  • --command (str) — Um comando para executar no pod. Pode ser passado várias vezes.
  • --install_accelerate (bool) — Se deve instalar o accelerate no pod. O valor padrão é False.
  • --accelerate_version (str) — A versão do accelerate a ser instalada no pod. Se não for especificada, será usada a versão mais recente do pypi. Especifique ‘dev’ para instalar a partir do GitHub.
  • --debug (bool) — Se definido, exibirá o comando que seria executado em vez de executá-lo.

accelerate test

accelerate test ou accelerate-test

Executa accelerate/test_utils/test_script.py para verificar se o 🤗 Accelerate foi configurado corretamente no seu sistema e está funcionando.

Uso:

accelerate test [arguments]

Argumentos Opcionais:

  • --config_file CONFIG_FILE (str) — O caminho a ser usado para armazenar o arquivo de configuração. O padrão será um arquivo chamado default_config.yaml no local do cache, que é o conteúdo da variável de ambiente HF_HOME com o sufixo ‘accelerate’, ou, se você não tiver essa variável de ambiente, seu diretório de cache (~/.cache ou o conteúdo de XDG_CACHE_HOME) com o sufixo huggingface.
  • -h, --help (bool) — Exibe uma mensagem de ajuda e sai
Update on GitHub