fix sh ddp_backend (#1360)

Author: Jintao-Huang

docs/source/LLM/Agent微调最佳实践.md

@@ -165,7 +165,7 @@ Final Answer: 如果您想要一款拍照表现出色的手机，我为您推荐
 | ms-bench         | 60000(抽样)     |
 | self-recognition | 3000(重复抽样)  |
 
-我们也支持使用自己的Agent数据集。数据集格式需要符合[自定义数据集](https://github.com/modelscope/swift/blob/main/docs/source/LLM/%E8%87%AA%E5%AE%9A%E4%B9%89%E4%B8%8E%E6%8B%93%E5%B1%95.md#%E8%87%AA%E5%AE%9A%E4%B9%89%E6%95%B0%E6%8D%AE%E9%9B%86)的要求。更具体地，Agent的response/system应该符合上述的Action/Action Input/Observation格式。
+我们也支持使用自己的Agent数据集。数据集格式需要符合[自定义数据集](%E8%87%AA%E5%AE%9A%E4%B9%89%E4%B8%8E%E6%8B%93%E5%B1%95.md#%E8%87%AA%E5%AE%9A%E4%B9%89%E6%95%B0%E6%8D%AE%E9%9B%86)的要求。更具体地，Agent的response/system应该符合上述的Action/Action Input/Observation格式。
 
 我们将**MLP**和**Embedder**加入了lora_target_modules. 你可以通过指定`--lora_target_modules ALL`在所有的linear层(包括qkvo以及mlp和embedder)加lora. 这**通常是效果最好的**.
 

docs/source/LLM/LLM微调文档.md

@@ -37,7 +37,7 @@ pip install -r requirements/llm.txt  -U
 ```
 
 ## 微调
-如果你要使用界面的方式进行微调与推理, 可以查看[界面训练与推理文档](https://github.com/modelscope/swift/blob/main/docs/source/GetStarted/%E7%95%8C%E9%9D%A2%E8%AE%AD%E7%BB%83%E6%8E%A8%E7%90%86.md).
+如果你要使用界面的方式进行微调与推理, 可以查看[界面训练与推理文档](../GetStarted/%E7%95%8C%E9%9D%A2%E8%AE%AD%E7%BB%83%E6%8E%A8%E7%90%86.md).
 
 ### 使用python
 ```python

docs/source/LLM/LLM量化文档.md

@@ -305,7 +305,7 @@ CUDA_VISIBLE_DEVICES=0 swift sft \
 ```
 
 **注意**
-- hqq支持更多自定义参数，比如为不同网络层指定不同量化配置，具体请见[命令行参数](https://github.com/modelscope/swift/blob/main/docs/source/LLM/命令行参数.md)
+- hqq支持更多自定义参数，比如为不同网络层指定不同量化配置，具体请见[命令行参数](命令行参数.md)
 - eetq量化为8bit量化，无需指定quantization_bit。目前不支持bf16，需要指定dtype为fp16
 - eetq目前qlora速度比较慢，推荐使用hqq。参考[issue](https://github.com/NetEase-FuXi/EETQ/issues/17)
 

docs/source/LLM/index.md

@@ -5,7 +5,7 @@
 1. [LLM推理文档](LLM推理文档.md)
 2. [LLM微调文档](LLM微调文档.md)
 3. [DPO训练文档](DPO训练文档.md)
-4. [界面训练与推理](https://github.com/modelscope/swift/blob/main/docs/source/GetStarted/%E7%95%8C%E9%9D%A2%E8%AE%AD%E7%BB%83%E6%8E%A8%E7%90%86.md)
+4. [界面训练与推理](../GetStarted/%E7%95%8C%E9%9D%A2%E8%AE%AD%E7%BB%83%E6%8E%A8%E7%90%86.md)
 5. [LLM评测文档](LLM评测文档.md)
 6. [LLM量化文档](LLM量化文档.md)
 7. [VLLM推理加速与部署](VLLM推理加速与部署.md)

docs/source/LLM/自我认知微调最佳实践.md

@@ -89,7 +89,7 @@ My name is Qianwen, which is also known as Tongyi Qianwen. I am a large-scale la
 如果尝试了上述方法后仍然无法改善睡眠问题，建议咨询医生或睡眠专家，以排除潜在的健康问题。
 """
 ```
-如果你要进行单样本推理, 可以参考[LLM推理文档](https://github.com/modelscope/swift/blob/main/docs/source/LLM/LLM%E6%8E%A8%E7%90%86%E6%96%87%E6%A1%A3.md#qwen-7b-chat)
+如果你要进行单样本推理, 可以参考[LLM推理文档](LLM%E6%8E%A8%E7%90%86%E6%96%87%E6%A1%A3.md#qwen-7b-chat)
 
 使用CLI:
 ```bash

docs/source_en/LLM/LLM-quantization.md

@@ -218,7 +218,7 @@ CUDA_VISIBLE_DEVICES=0 swift sft \
 ```
 
 **Note**
-- hqq supports more customizable parameters, such as specifying different quantization configurations for different network layers. For details, please see [Command Line Arguments](https://github.com/modelscope/swift/blob/main/docs/source_en/LLM/Command-line-parameters.md).
+- hqq supports more customizable parameters, such as specifying different quantization configurations for different network layers. For details, please see [Command Line Arguments](Command-line-parameters.md).
 - eetq quantization uses 8-bit quantization, and there's no need to specify quantization_bit. Currently, bf16 is not supported; you need to specify dtype as fp16.
 - Currently, eetq's qlora speed is relatively slow; it is recommended to use hqq instead. For reference, see the [issue](https://github.com/NetEase-FuXi/EETQ/issues/17).
 

examples/pytorch/llm/scripts/atom_7b_chat/lora/sft.sh

@@ -8,7 +8,6 @@ swift sft \
     --tuner_backend peft \
     --dtype AUTO \
     --output_dir output \
-    --ddp_backend nccl \
     --dataset ms-bench \
     --num_train_epochs 3 \
     --max_length 2048 \

examples/pytorch/llm/scripts/codeqwen1half_7b_chat/lora/sft.sh

@@ -8,7 +8,6 @@ swift sft \
     --tuner_backend peft \
     --dtype AUTO \
     --output_dir output \
-    --ddp_backend nccl \
     --dataset leetcode-python-en \
     --num_train_epochs 3 \
     --max_length 2048 \

examples/pytorch/llm/scripts/dbrx-instruct/lora_mp/sft.sh

@@ -9,7 +9,6 @@ swift sft \
     --template_type AUTO \
     --dtype bf16 \
     --output_dir output \
-    --ddp_backend nccl \
     --dataset blossom-math-zh \
     --num_train_epochs 1 \
     --max_length 1024 \

examples/pytorch/llm/scripts/deepseek-v2-chat/lora_mp/sft.sh

@@ -7,7 +7,6 @@ swift sft \
     --tuner_backend peft \
     --dtype bf16 \
     --output_dir output \
-    --ddp_backend nccl \
     --dataset alpaca-zh#5000 \
     --num_train_epochs 1 \
     --max_length 1024 \