train_law_llm
1.0.0
Langkah demi langkah menggunakan Colab untuk melatih Legal LLM, berdasarkan Microsoft/PHI-1_5, chatglm3-6b. Melalui proyek ini Anda dapat secara manual memahami biaya LLM 0 yang menyempurnakan. Jika Anda ingin memahami implementasi kode spesifik dari penyempurnaan LLM, Anda dapat merujuk pada proyek MY_FINETUNE ?
| nama | Colab | Kumpulan data |
|---|---|---|
| Fine-tuning Lora-SFT yang kognitif diri | self_cognition.json | |
| T&J legal tanya jawab Lora-Sft Fine | Disc-Lawllm | |
| Tanya Jawab Tanya Jawab Parameter Lengkap Sinar-Sft-Tuning* | Disc-Lawllm | |
| Chatglm3-6b fine-tuning lora-sft-sft-sft* | self_cognition.json |
*Jika Anda adalah pengguna anggota Colab Pro, Anda dapat mencoba parameter penuh - fine -tuning SFT, gunakan RAM High+ T4, dan 1.000 lembar data akan memakan waktu sekitar 20+ jam.
*Jika Anda adalah pengguna anggota Colab Pro, chatglm3-6b fine-tuning lora-sft-mandiri, menggunakan RAM+T4 tinggi, hanya membutuhkan beberapa menit, dan efeknya lebih baik
Gunakan kartu grafis T4 Colab gratis untuk menyelesaikan model tanya jawab Tanya Jawab Pengawasan Perintah (SFT) Microsoft/PHI-1_5 Model
Sumber Data Kognisi Mandiri: self_cognition.json
80 lembar data, gunakan T4 Lora untuk menyempurnakan PHI-1_5, dan Anda dapat menyempurnakannya dalam beberapa menit.
Parameter penyempurnaan , silakan merujuk ke Colab untuk detailnya.
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
Memengaruhi
Sumber Data Tanya Jawab Legal: Disc-Lawllm
Untuk mengurangi memori video, gunakan Deepspeed Stage2, Cutoff_len dapat mencapai hingga 1792, dan memori video akan meledak jika ada lebih banyak memori video.
Konfigurasi DeepPeed
{
"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
}
}
Parameter penyempurnaan
1000 lembar data, T4 membutuhkan waktu sekitar 60 menit
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
Anda dapat melihat memori yang dibutuhkan untuk tahap nol kecepatan melalui estimasi_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)
Seperti yang ditunjukkan pada gambar, offload_optimizer -> Microsoft/PHI -1_5 membutuhkan memori 32G setelah CPU, dan memori tinggi 52G dari Colab dapat memenuhi kebutuhan.
Konfigurasi DeepPeed
{
"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
Anda juga dapat mempertimbangkan untuk menggunakan Kaggle, yang dapat digunakan selama 30 jam seminggu, Anda dapat memilih 2 T4, dan menggunakan nol tahap 3 untuk menyempurnakan parameter penuh.
Konfigurasi DeepPeed
{
"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
}
}
