train_law_llm
1.0.0
Paso a paso usando Colab para entrenar Legal LLM, basado en Microsoft/Phi-1_5, ChatGlm3-6b. A través de este proyecto, puede comprender manualmente los costos de LLM 0. Si desea comprender la implementación del código específico del ajuste fino de LLM, ¿puede consultar el proyecto my_finetune ?
| nombre | Colab | Conjuntos de datos |
|---|---|---|
| Autorización de fino de Lora-Sft | auto_cognition.json | |
| Preguntas y respuestas legales Lora-Sft Fine Tune | Disco-lawllm | |
| Preguntas y respuestas legales de parámetros completos-sft ajuste* | Disco-lawllm | |
| CHATGLM3-6B Autorización fino autocognitiva Lora-Sft* | auto_cognition.json |
*Si es un usuario de miembro de Colab Pro, puede probar los parámetros completos: ajuste fino SFT, use alto RAM+ T4 y 1,000 datos tomarán aproximadamente 20 horas.
*Si usted es un usuario miembro de Colab Pro, CHATGLM3-6B Autorización fina autocognitiva de Lora-Sft, usando alto RAM+T4, solo lleva unos minutos y el efecto es mejor
Use la tarjeta de gráficos T4 Free T4 para completar el comando legal Supervisión de comandos Fine Tuning (SFT) Microsoft/Modelo Phi-1_5
Fuente de datos de autognición: self_cognition.json
80 datos de datos, use T4 Lora para ajustar Phi-1_5, y puede ajustarlos en unos minutos.
Parámetros de ajuste fino , consulte Colab para obtener más detalles.
python src/train_bash.py
--stage sft
--model_name_or_path microsoft/phi-1_5
--do_train True
--finetuning_type lora
--template vanilla
--flash_attn False
--shift_attn False
--dataset_dir data
--dataset self_cognition
--cutoff_len 1024
--learning_rate 2e-04
--num_train_epochs 20.0
--max_samples 1000
--per_device_train_batch_size 6
--per_device_eval_batch_size 6
--gradient_accumulation_steps 1
--lr_scheduler_type cosine
--max_grad_norm 1.0
--logging_steps 5
--save_steps 100
--warmup_steps 0
--neft_alpha 0
--train_on_prompt False
--upcast_layernorm False
--lora_rank 8
--lora_dropout 0.1
--lora_target Wqkv
--resume_lora_training True
--output_dir saves/Phi1.5-1.3B/lora/my
--fp16 True
--plot_loss True
Efecto
Preguntas y respuestas legales Fuente de datos: DISC-LAWLLM
Para reducir la memoria de video, use DeepSpeed Stage2, COTOFF_LEN puede llegar a 1792, y la memoria de video se explotará si hay más memoria de video.
Configuración de la velocidad profunda
{
"train_batch_size": "auto",
"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,
"offload_optimizer": {
"device": "cpu",
"pin_memory": true
},
"allgather_partitions": true,
"allgather_bucket_size": 2e8,
"reduce_scatter": true,
"reduce_bucket_size": 2e8,
"overlap_comm": false,
"contiguous_gradients": true
}
}
Parámetros ajustados
1000 datos de datos, T4 toma unos 60 minutos
deepspeed --num_gpus 1 --master_port=9901 src/train_bash.py
--deepspeed ds_config.json
--stage sft
--model_name_or_path microsoft/phi-1_5
--do_train True
--finetuning_type lora
--template vanilla
--flash_attn False
--shift_attn False
--dataset_dir data
--dataset self_cognition,law_sft_triplet
--cutoff_len 1792
--learning_rate 2e-04
--num_train_epochs 5.0
--max_samples 1000
--per_device_train_batch_size 1
--per_device_eval_batch_size 1
--gradient_accumulation_steps 1
--lr_scheduler_type cosine
--max_grad_norm 1.0
--logging_steps 5
--save_steps 1000
--warmup_steps 0
--neft_alpha 0
--train_on_prompt False
--upcast_layernorm False
--lora_rank 8
--lora_dropout 0.1
--lora_target Wqkv
--resume_lora_training True
--output_dir saves/Phi1.5-1.3B/lora/law
--fp16 True
--plot_loss True
Puede ver la memoria requerida para la etapa cero de DeepSpeed a través de estimado_zero3_model_states_mem_needs_all_live.
from transformers import AutoModel, AutoModelForCausalLM
from deepspeed.runtime.zero.stage3 import estimate_zero3_model_states_mem_needs_all_live
model_name = "microsoft/phi-1_5"
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
estimate_zero3_model_states_mem_needs_all_live(model, num_gpus_per_node=1, num_nodes=1)
Como se muestra en la figura, ofLoad_optimizer -> Microsoft/Phi -1_5 requiere 32 g de memoria después de la CPU, y 52 g de alta memoria de Colab pueden satisfacer las necesidades.
Configuración de la velocidad profunda
{
"train_batch_size": "auto",
"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,
"offload_optimizer": {
"device": "cpu",
"pin_memory": true
},
"allgather_partitions": true,
"allgather_bucket_size": 2e8,
"reduce_scatter": true,
"reduce_bucket_size": 2e8,
"overlap_comm": false,
"contiguous_gradients": true
}
}
deepspeed --num_gpus 1 --master_port=9901 src/train_bash.py
--deepspeed ds_config.json
--stage sft
--model_name_or_path microsoft/phi-1_5
--do_train True
--finetuning_type full
--template vanilla
--flash_attn False
--shift_attn False
--dataset_dir data
--dataset self_cognition,law_sft_triplet
--cutoff_len 1024
--learning_rate 2e-04
--num_train_epochs 10.0
--max_samples 1000
--per_device_train_batch_size 1
--per_device_eval_batch_size 1
--gradient_accumulation_steps 1
--lr_scheduler_type cosine
--max_grad_norm 1.0
--logging_steps 5
--save_steps 1000
--warmup_steps 0
--neft_alpha 0
--train_on_prompt False
--upcast_layernorm False
--lora_rank 8
--lora_dropout 0.1
--lora_target Wqkv
--resume_lora_training True
--output_dir saves/Phi1.5-1.3B/lora/law_full
--fp16 True
--plot_loss True
También puede considerar el uso de Kaggle, que se puede usar durante 30 horas a la semana, puede elegir 2 T4 y usar Zero Stage 3 para ajustar los parámetros completos.
Configuración de la velocidad profunda
{
"train_batch_size": "auto",
"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": 3,
"overlap_comm": false,
"contiguous_gradients": true,
"sub_group_size": 5e7,
"reduce_bucket_size": "auto",
"stage3_prefetch_bucket_size": "auto",
"stage3_param_persistence_threshold": "auto",
"stage3_max_live_parameters": 5e7,
"stage3_max_reuse_distance": 5e7,
"stage3_gather_16bit_weights_on_model_save": true
}
}
