LLM大语言模型(GPT)的分布式预训练与微调及部署
实现方案：设计并实现了一个大规模语言模型（GPT）的分布式预训练，结合RAG(文档、MySQL)、Agent、LLM连网等技术在基座上微调，以提高模型在特定领域任务上的性能和效率。
技术栈：PyTorch, CUDA, NCCL, DistributedDataParallel (DDP), torch分布式训练init_process_group , Transformer，GPT
项目细节
- 使用NCCL作为后端，通过init_process_group初始化分布式环境，实现了模型的高效并行训练。
- 应用了余弦衰减（Cosine Decay），Warmup learning(预热学习)和梯度裁剪技术，优化了模型的稳定性和收敛速度。
- 实现了模型的微调，通过加载预训练的权重，针对特定任务进行了进一步的训练和优化。
成就：成功预训练了一个具有1.24亿（124M）参数的GPT模型
