网站首页 > 人工智能 > 正文

语言模型人工智能 LLaMA Efficient Tuning

编程语言人工智能 2024-02-11 16 0

文章目录

LLaMA Efficient Tuning安装

数据准备浏览器一体化界面单 GPU 训练 train_bash1、预训练 pt2、指令监督微调 sft3、奖励模型训练 rm4、PPO 训练 ppo5、DPO 训练 dpo

多 GPU 分布式训练1、使用 Huggingface Accelerate2、使用 DeepSpeed

导出微调后的模型 export_model.pyAPI 服务 api_demo.py命令行测试 cli_demo.py浏览器测试 web_demo.py指标评估（BLEU 分数和汉语 ROUGE 分数）模型预测

LLaMA Efficient Tuning

https://github.com/rancheng/LLaMA-Efficient-Tuning/blob/main/README_zh.md

支持模型： LLaMA、LLaMA-2、BLOOM、BLOOMZ、Falcon、Baichuan、Baichuan2、InternLM、Qwen、XVERSE、ChatGLM2

默认模块是 --lora_target 参数的部分可选项。请使用 python src/train_bash.py -h 查看全部可选项。对于所有“基座”（Base）模型，--template 参数可以是 default, alpaca, vicuna 等任意值。但“对话”（Chat）模型请务必使用对应的模板。

安装

软件依赖

Python 3.8+ 和 PyTorch 1.13.1+珞Transformers, Datasets, Accelerate, PEFT 和 TRLsentencepiece 和 tiktokenjieba, rouge-chinese 和 nltk (用于评估)gradio 和 matplotlib (用于网页端交互)uvicorn, fastapi 和 sse-starlette (用于 API)以及强而有力的 GPU！

git clone https://github.com/hiyouga/LLaMA-Efficient-Tuning.git

conda create -n llama_etuning python=3.10

conda activate llama_etuning

cd LLaMA-Efficient-Tuning

pip install -r requirements.txt

如果要在 Windows 平台上开启量化 LoRA（QLoRA），需要安装预编译的 bitsandbytes 库, 支持 CUDA 11.1 到 12.1.

pip install https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.39.1-py3-none-win_amd64.whl

数据准备

关于数据集文件的格式，请参考 data/example_dataset 文件夹的内容。 https://github.com/rancheng/LLaMA-Efficient-Tuning/tree/main/data/example_dataset

构建自定义数据集时，既可以使用单个 .json 文件，也可以使用一个数据加载脚本和多个文件。

注意：使用自定义数据集时，请更新 data/dataset_info.json 文件，该文件的格式请参考 data/README.md。 https://github.com/rancheng/LLaMA-Efficient-Tuning/blob/main/data/dataset_info.json https://github.com/rancheng/LLaMA-Efficient-Tuning/blob/main/data/README.md

浏览器一体化界面

CUDA_VISIBLE_DEVICES=0 python src/train_web.py

我们极力推荐新手使用浏览器一体化界面，因为它还可以自动生成运行所需的命令行脚本。

目前网页 UI 仅支持单卡训练。

单 GPU 训练 train_bash

1、预训练 pt

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage pt \

--model_name_or_path path_to_llama_model \

--do_train \

--dataset wiki_demo \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_pt_checkpoint \

--overwrite_cache \

--per_device_train_batch_size 4 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 5e-5 \

--num_train_epochs 3.0 \

--plot_loss \

--fp16

2、指令监督微调 sft

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage sft \

--model_name_or_path path_to_llama_model \

--do_train \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_sft_checkpoint \

--overwrite_cache \

--per_device_train_batch_size 4 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 5e-5 \

--num_train_epochs 3.0 \

--plot_loss \

--fp16

3、奖励模型训练 rm

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage rm \

--model_name_or_path path_to_llama_model \

--do_train \

--dataset comparison_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--resume_lora_training False \

--checkpoint_dir path_to_sft_checkpoint \

--output_dir path_to_rm_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-6 \

--num_train_epochs 1.0 \

--plot_loss \

--fp16

4、PPO 训练 ppo

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage ppo \

--model_name_or_path path_to_llama_model \

--do_train \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--resume_lora_training False \

--checkpoint_dir path_to_sft_checkpoint \

--reward_model path_to_rm_checkpoint \

--output_dir path_to_ppo_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-5 \

--num_train_epochs 1.0 \

--plot_loss

5、DPO 训练 dpo

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage dpo \

--model_name_or_path path_to_llama_model \

--do_train \

--dataset comparison_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--resume_lora_training False \

--checkpoint_dir path_to_sft_checkpoint \

--output_dir path_to_dpo_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-5 \

--num_train_epochs 1.0 \

--plot_loss \

--fp16

多 GPU 分布式训练

1、使用 Huggingface Accelerate

accelerate config # 首先配置分布式环境

accelerate launch src/train_bash.py # 参数同上

使用 DeepSpeed ZeRO-2 进行全参数微调的 Accelerate 配置示例

compute_environment: LOCAL_MACHINE

deepspeed_config:

gradient_accumulation_steps: 4

gradient_clipping: 0.5

offload_optimizer_device: none

offload_param_device: none

zero3_init_flag: false

zero_stage: 2

distributed_type: DEEPSPEED

downcast_bf16: 'no'

machine_rank: 0

main_training_function: main

mixed_precision: fp16

num_machines: 1

num_processes: 4

rdzv_backend: static

same_network: true

tpu_env: []

tpu_use_cluster: false

tpu_use_sudo: false

use_cpu: false

2、使用 DeepSpeed

deepspeed --num_gpus 8 --master_port=9901 src/train_bash.py \

--deepspeed ds_config.json \

... # 参数同上

使用 DeepSpeed ZeRO-2 进行全参数微调的 DeepSpeed 配置示例

{

"train_micro_batch_size_per_gpu": "auto",

"gradient_accumulation_steps": "auto",

"gradient_clipping": "auto",

"zero_allow_untested_optimizer": true,

"fp16": {

"enabled": "auto",

"loss_scale": 0,

"initial_scale_power": 16,

"loss_scale_window": 1000,

"hysteresis": 2,

"min_loss_scale": 1

"zero_optimization": {

"stage": 2,

"allgather_partitions": true,

"allgather_bucket_size": 5e8,

"reduce_scatter": true,

"reduce_bucket_size": 5e8,

"overlap_comm": false,

"contiguous_gradients": true

}

导出微调后的模型 export_model.py

python src/export_model.py \

--model_name_or_path path_to_llama_model \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint \

--output_dir path_to_export

API 服务 api_demo.py

python src/api_demo.py \

--model_name_or_path path_to_llama_model \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint

关于 API 文档请见 http://localhost:8000/docs。

命令行测试 cli_demo.py

python src/cli_demo.py \

--model_name_or_path path_to_llama_model \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint

浏览器测试 web_demo.py

python src/web_demo.py \

--model_name_or_path path_to_llama_model \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint

指标评估（BLEU 分数和汉语 ROUGE 分数）

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage sft \

--model_name_or_path path_to_llama_model \

--do_eval \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint \

--output_dir path_to_eval_result \

--per_device_eval_batch_size 8 \

--max_samples 100 \

--predict_with_generate

我们建议在量化模型的评估中使用 --per_device_eval_batch_size=1 和 --max_target_length 128。

模型预测

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage sft \

--model_name_or_path path_to_llama_model \

--do_predict \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--checkpoint_dir path_to_checkpoint \

--output_dir path_to_predict_result \

--per_device_eval_batch_size 8 \

--max_samples 100 \

--predict_with_generate

好文阅读

评论可见，请评论后查看内容，谢谢！！！

您阅读本篇文章共花了：

llama 语言模型人工智能

本文由用户于 2024-02-11 发布在金钥匙，如有疑问，请联系我们。
本文链接：https://www.51969.com/post/18364287.html

金钥匙

语言模型人工智能 LLaMA Efficient Tuning

microsoft Meta与微软联手推出开源大型语言模型Llama 2；程序员如何优雅地做副业

人工智能 Together AI发布了LLaMA-2-7B-32K模型；全球客服中心加速拥抱对话式AI和虚拟助手

发表评论取消回复

金钥匙

语言模型 人工智能 LLaMA Efficient Tuning

microsoft Meta与微软联手推出开源大型语言模型Llama 2；程序员如何优雅地做副业

人工智能 Together AI发布了LLaMA-2-7B-32K模型；全球客服中心加速拥抱对话式AI和虚拟助手

相关文章

发表评论取消回复

语言模型人工智能 LLaMA Efficient Tuning