llama lora fine tuning
1.0.0
中文
هناك عمومًا مخططان لضبط Facebook/Llama. إحداها هي سلسلة ستانفورد الألباكا ، والآخر هو فيكونا على أساس حصة sharegpt. يستخدم Vicuna مجموعة حوار متعددة الجولات ، وتأثير التدريب أفضل من الألبكة التي تعرضت للتخلف عن الحوار أحادي الجولة. لذلك ، من المستحسن ضبط لاما على أساس Vicuna. يتم وصف طريقتي الضبط الدقيقة بالتفصيل في المشاريع التالية (وصف وضع Lora في FastChat بسيط نسبيًا).
https://github.com/tloen/alpaca-lora
https://github.com/lm-sys/fastchat
يحتوي Alpaca-Lora على متطلبات ذاكرة منخفضة ، يمكن أن يدعم حوالي 12G 2080TI ، لكن تدريب نماذج الجلسة متعددة الدورات مثل Vicuna يتطلب ذاكرة عالية من GPU. يتطلب تدريب نموذج Vicuna ذاكرة GPU على الأقل 24 جرام [التوصية الرسمية هي 4 * V100 (32g)]. إذا كان لديك بطاقة رسومات راقية ، فما عليك سوى اتباع الملف للتدريب. إذا كان لديك بطاقة رسومات 16G فقط ولكنها ترغب في تخصيص المجموعة لإعادة إنتاج نموذج Vicuna ، فيجب عليك التفكير في العديد من الطرق لخفض الدقة من 32 بت باستمرار إلى نصف الدقة 16 بت ، ثم من 16 بت إلى 8 بت ، وتسريع طريقة التدريب لتحقيق الهدف.
• استخدم طريقة Lora لتدريب جزء فقط من المعلمات
• يتبنى النموذج الأساسي نصف الدقة LLAMA-7B-HF
• استخدم load_in_8bit لتحميل النموذج الأساسي
• استخدم تقنية PEFT للضبط
• استخدام bitsandbytes للتسريع
ثم نعتمد على FastChat ، تعمل هذه المقالة على تعديل رمز تدريب Lora ، ويستخدم مجموعة ShareGPT ، ونقع على بطاقة 16G ، التي تشغل حوالي 13 جرام من ذاكرة GPU.
• نظام التشغيل: Centos أو Ubuntu
• NVIDA P100 أو T4: 16G ذاكرة GPU أو أعلى
• كودا ، كوندا
git clone https://github.com/git-cloner/llama-lora-fine-tuning
cd llama-lora-fine-tuningwget https://pkg-config.freedesktop.org/releases/pkg-config-0.29.2.tar.gz
tar -zxvf pkg-config-0.29.2.tar.gz
cd pkg-config-0.29.2
./configure --with-internal-glib
make -j4
make check
sudo make installwget https://mirrors.aliyun.com/blfs/conglomeration/icu/icu4c-73_1-src.tgz
tar xf icu4c-73_1-src.tgz
cd icu/source
./configure
make
make check
sudo make install
sudo ldconfigconda create -n llama-lora python=3.10
conda activate llama-lora
pip3 install -r requirements.txtيمكنك تنزيل النموذج الأصلي وتحويله إلى نصف الدقة ، أو تنزيل النموذج الدقيق الذي تم تحويله مباشرة من https://huggingface.co/Decapoda-research/llama-7b-hf.
export GIT_TRACE=1
export GIT_CURL_VERBOSE=1
pip3 install git+https://github.com/juncongmoo/pyllama -i https://pypi.mirrors.ustc.edu.cn/simple --trusted-host=pypi.mirrors.ustc.edu.cn
python -m llama.download --model_size 7BCUDA_VISIBLE_DEVICES=1 python3 ./convert_llama_weights_to_hf.py --input_dir ./pyllama_data --model_size 7B --output_dir ./pyllama_data/output/7BDownload 52k ShareGPT: https: // huggingface.co/datasets/RyokoAI/ShareGPT52K
Other corpora refer to: https: // github.com/Zjh-819/LLMDataHub
Download sg_90k_part1.json and sg_90k_part2.json into the data directorypython3 fastchat/data/merge.py --in ./data/sg_90k_part1.json ./data/sg_90k_part2.json ./data/dummy_cn.json ./data/dummy_en.json --out ./data/sg_90k.jsonpython3 fastchat/data/clean_sharegpt.py --in ./data/sg_90k.json --out ./data/sharegpt_clean.jsonpython3 fastchat/data/optional_clean.py --in ./data/sharegpt_clean.json --out ./data/sharegpt_clean_1.json --skip-lang SOME_LANGUAGE_CODE
The values of SOME_LANGUAGE_CODE are as follows:
en - English
es - Spanish
fr - French
de - German
it - Italian
ja - Japanese
ko - Korean
zh - Chinese
ar - Arabic
ru - Russian
pt - Portuguese
nl - DutchCUDA_VISIBLE_DEVICES=1 python3 fastchat/data/split_long_conversation.py --in ./data/sharegpt_clean.json --out ./data/sharegpt_clean_split.json --model-name ./pyllama_data/output/7B # Disable wandb
wandb disabled
# In order to prevent the SSH terminal from disconnecting and stopping the training, the training can run in the background (remove the # in three places to run in the background)
# If you have multiple GPUs,using --num_gpus parameter
CUDA_VISIBLE_DEVICES=0,1 # nohup
deepspeed --num_gpus=2 fastchat/train/train_lora.py
--deepspeed ./deepspeed-config.json
--lora_r 8
--lora_alpha 16
--lora_dropout 0.05
--model_name_or_path ./pyllama_data/output/7B
--data_path ./data/sharegpt_clean_split.json
--fp16 True
--output_dir ./output
--num_train_epochs 1
--per_device_train_batch_size 14
--per_device_eval_batch_size 14
--gradient_accumulation_steps 1
--evaluation_strategy " no "
--save_strategy " steps "
--save_steps 2400
--save_total_limit 5
--learning_rate 2e-5
--weight_decay 0.
--warmup_ratio 0.03
--lr_scheduler_type " cosine "
--logging_steps 1
--model_max_length 512
--gradient_checkpointing True # >> lora.log 2>&1 &
# If running in the background, tail lora.log to check the training progress
tail -f lora.logيحتل الضبط الدقيق على P100 (16G) 13.5 جرام من الذاكرة. في حالة جولة التدريب ، يستغرق 120 ساعة ، حوالي 5 أيام ، والتي لا تزال تستغرق وقتًا طويلاً. يجب التحقق من تأثير النموذج الناتج. سوف يؤثر Model_max_length على وقت التدريب. إذا تم ضبطها على 1024 ، فسيتم نقر الوقت إلى النصف مقارنة بعام 2048 ، ولكنه سيؤثر على تأثير الاستدلال.
صقل جيد على A100 واحد واستغرق حوالي 16 ساعة.
deepspeed fastchat/train/train_lora.py
--deepspeed ./deepspeed-config.json
--lora_r 8
--lora_alpha 16
--lora_dropout 0.05
--model_name_or_path ./pyllama_data/output/7B
--data_path ./data/sharegpt_clean_split.json
--fp16 True
--output_dir ./output
--num_train_epochs 1
--per_device_train_batch_size 56
--per_device_eval_batch_size 56
--gradient_accumulation_steps 1
--evaluation_strategy " no "
--save_strategy " steps "
--save_steps 1200
--save_total_limit 5
--learning_rate 2e-5
--weight_decay 0.
--warmup_ratio 0.03
--lr_scheduler_type " cosine "
--logging_steps 1
--model_max_length 1024
--gradient_checkpointing Trueيتكون نموذج Lora Peft المدرب من adapter_config.json ، adapter_model.bin ، و trainer_state.json. فيما يلي بنية ملف PEFT ونموذج LLAMA الأصلي.
model
───llama-peft
│ adapter_config.json
│ adapter_model.bin
│ trainer_state.json
│
└──llama_7b
config.json
generation_config.json
pytorch_model-00001-of-00002.bin
pytorch_model-00002-of-00002.bin
pytorch_model.bin.index.json
special_tokens_map.json
tokenizer.json
tokenizer.model
tokenizer_config.jsonCUDA_VISIBLE_DEVICES=0 python generate.py --base_model ./model/llama-7b --lora_weights ./model/llama-peft
