Skip to content

CLAUDE.md

Latest commit

 

History

History
125 lines (90 loc) · 4.23 KB

CLAUDE.md

File metadata and controls

125 lines (90 loc) · 4.23 KB
Raw

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

작업 원칙 — 팀플레이

병렬 처리 가능한 작업은 항상 서브 에이전트로 분배한다.

  • 복잡한 코드 작성 / 설계 판단 → model: sonnet
  • 빠른 탐색 · 조회 · 간단한 파일 작성 → model: haiku
  • 에이전트 완료 후 결과 회수; 필요 시 resume 으로 재호출
  • 예: 모델 구현(sonnet) + 데이터 스크립트(sonnet) + 설정 파일(haiku) 동시 실행

프로젝트 목적

소규모 LLM(Large Language Model) 실험 프로젝트. 8× NVIDIA B200 GPU 환경에서 LLM 사전학습(pretraining) 또는 파인튜닝(fine-tuning) 을 직접 구현하고 실험한다.

하드웨어 환경

현재 환경: H100 MIG 3g.40gb (단일 파티션)

항목 사양
GPU 1× NVIDIA H100 MIG 3g.40gb (~42 GB VRAM)
학습 전략 Single GPU, BF16 + Gradient Checkpointing (FP8 미지원)
설정 configs/h100_mig/
런치 스크립트 train_3b_sft_1gpu.sh

이전 환경: B200 × 8

항목 사양
GPU 8× NVIDIA B200 (183 GB VRAM each, ~1.47 TB total)
RAM 2.2 TB
CUDA 13.0
학습 전략 DDP / FSDP, BF16 / FP8
설정 configs/b200_8gpu/
런치 스크립트 scripts/b200_8gpu/
Storage (작업) /PROJECT/0325120031_A/ghong/taketimes/ → 3.5 TB, 여유 2.2 TB
Storage (홈) /home/ghong → 5 GB (소규모 코드만 저장)

주의: 체크포인트, 데이터셋 등 대용량 파일은 반드시 /PROJECT/0325120031_A/ghong/taketimes/llm-bang/ 하위에 저장할 것. 홈 디렉토리(/home/ghong) 용량 초과 주의.

사전 설치된 라이브러리

torch          2.10.0a0+b4e4ee81d3.nv25.12   # NV 커스텀 빌드 (B200 최적화)
flash_attn     2.7.4.post1+25.12              # FlashAttention-2 사용 가능
datasets       4.4.1
tokenizers     0.22.1
huggingface_hub 1.2.3

경고: PyTorch는 NVIDIA 커스텀 빌드(nv25.12)가 설치됨. pip install torch 로 재설치하면 B200 최적화가 깨질 수 있음 — PyTorch 재설치 금지.

추가 설치 필요 라이브러리

pip install transformers accelerate peft trl deepspeed bitsandbytes sentencepiece wandb

권장 프로젝트 구조

EVAFRILL-Mo/
├── CLAUDE.md
├── data/               # 학습 데이터 (원본 텍스트, 전처리 완료본)
├── tokenizer/          # 토크나이저 학습·저장
├── model/              # 모델 아키텍처 정의 (nn.Module)
├── train/              # 학습 스크립트 (단일 GPU / DDP / FSDP)
├── eval/               # 평가 스크립트 (perplexity, downstream task)
├── configs/
│   ├── b200_8gpu/      # B200 8GPU 환경 YAML
│   ├── h100_mig/       # H100 MIG 1GPU 환경 YAML
│   └── README.md       # 하드웨어별 설정 가이드
├── scripts/
│   ├── b200_8gpu/      # B200용 런치 + resilient 스크립트
│   └── (공통 스크립트)
├── train_3b_sft_1gpu.sh  # H100 MIG용 SFT 런치 (현재 사용 중)
└── checkpoints/        # 모델 체크포인트 (대용량)

멀티-GPU 학습 실행 패턴

# H100 MIG 1GPU — 현재 환경
bash train_3b_sft_1gpu.sh

# B200 8GPU — torchrun (DDP)
torchrun --nproc_per_node=8 train/pretrain.py --config configs/b200_8gpu/small.yaml

# B200 8GPU — FSDP (모델 샤딩, 대형 모델)
torchrun --nproc_per_node=8 train/pretrain.py --config configs/b200_8gpu/medium.yaml --strategy fsdp

모델 규모 가이드 (하드웨어 기준)

모델 크기 추천 전략 최소 GPU 수
~1B param DDP, bf16 1 GPU
~7B param DDP 또는 FSDP, bf16 2–4 GPU
~13B param FSDP, bf16/fp8 4 GPU
~70B param FSDP + ZeRO-3, bf16/fp8 8 GPU

B200은 FP8 네이티브 지원 → 학습 시 torch.float8_e4m3fn 활용 가능.

참고 (이전 프로젝트)

/PROJECT/0325120031_A/ghong/taketimes/_deprecated/work/ — 2CRM 두께 실측값 예측(LightGBM, ClickHouse) 프로젝트. 도메인 데이터(공장 센서, 코일 그레이드) 필요 시 참고.