train_law_llm
1.0.0
Étape par étape à l'aide de Colab pour former LLM Legal, basé sur Microsoft / PHI-1_5, chatGLM3-6B. Grâce à ce projet, vous pouvez comprendre manuellement les coûts LLM 0 à réglage fin. Si vous souhaitez comprendre l'implémentation de code spécifique de LLM Fineding, vous pouvez vous référer au projet MY_FINETUNE ?.
| nom | Colab | Ensembles de données |
|---|---|---|
| Lora-sft autocognitif fin | self_cognition.json | |
| Q&R LORA LORA-SFT Fine Taure | Disque | |
| Questions et réponses légales complets paramètres de réglage fin * | Disque | |
| ChatGLM3-6b auto-cocognitif lora-sft fining * | self_cognition.json |
* Si vous êtes un utilisateur membre Colab Pro, vous pouvez essayer des paramètres complets - SFT Fineding, utiliser High RAM + T4 et 1 000 éléments de données prendront environ plus de 20 heures.
* Si vous êtes un utilisateur membre de Colab Pro, ChatGLM3-6B Autocognitif LORA-SFT Fineding, en utilisant High RAM + T4, cela ne prend que quelques minutes et l'effet est meilleur
Utilisez la carte graphique T4 gratuite Colab pour compléter le modèle Microsoft / PHI-1_5 de supervision de la commande
Source de données sur l'autocognitif: self_cognition.json
80 éléments de données, utilisez T4 Lora pour affiner Phi-1_5, et vous pouvez les affiner en quelques minutes.
Paramètres de réglage fin , veuillez vous référer à Colab pour plus de détails.
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
Effet
Source de données légale des questions et réponses: disque-lawllm
Afin de réduire la mémoire vidéo, utilisez Deeppeed Stage2, Cutoff_len peut atteindre jusqu'à 1792 et la mémoire vidéo sera explosée s'il y a plus de mémoire vidéo.
Configuration profonde
{
"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
}
}
Paramètres de réglage fin
1000 éléments de données, T4 prend environ 60 minutes
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
Vous pouvez afficher la mémoire requise pour le stade zéro Deeppeed via ESTIMATED_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)
Comme indiqué sur la figure, OFFOLDOLODAD_OPTIMERIS -> Microsoft / PHI-1_5 nécessite une mémoire 32 g après CPU, et 52 g la mémoire élevée de Colab peut répondre aux besoins.
Configuration profonde
{
"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
Vous pouvez également envisager d'utiliser Kaggle, qui peut être utilisé pendant 30 heures par semaine, vous pouvez choisir 2 T4 et utiliser zéro étape 3 pour affiner les paramètres complets.
Configuration profonde
{
"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
}
}
