llama2 lora fine tuning

Tune tune llama2-bat com Lora e DeepSpeed

Tune o modelo LLAMA-2-7B-CAT em dois P100s (16g).

A fonte de dados adota o formato da ALPACA e consiste em duas fontes de dados: trem e validação.

1. Requisitos de placa gráfica

16g de memória de vídeo e acima (P100 ou T4 e acima), um ou mais blocos.

2. Código -fonte do clone

git clone https://github.com/git-cloner/llama2-lora-fine-tuning
cd llama2-lora-fine-tuning

3. Ambiente dependente da instalação

 # 创建虚拟环境
conda create -n llama2 python=3.9 -y
conda activate llama2
# 下载github.com上的依赖资源（需要反复试才能成功，所以单独安装）
export GIT_TRACE=1
export GIT_CURL_VERBOSE=1
pip install git+https://github.com/PanQiWei/AutoGPTQ.git -i https://pypi.mirrors.ustc.edu.cn/simple --trusted-host=pypi.mirrors.ustc.edu.cn
pip install git+https://github.com/huggingface/peft -i https://pypi.mirrors.ustc.edu.cn/simple
pip install git+https://github.com/huggingface/transformers -i https://pypi.mirrors.ustc.edu.cn/simple
# 安装其他依赖包
pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple
# 验证bitsandbytes
python -m bitsandbytes

4. Baixe o modelo original

python model_download.py --repo_id daryl149/llama-2-7b-chat-hf

5. Expanda a lista de palavras chinesas

 # 使用了https://github.com/ymcui/Chinese-LLaMA-Alpaca.git的方法扩充中文词表
# 扩充完的词表在merged_tokenizes_sp（全精度）和merged_tokenizer_hf（半精度）
# 在微调时，将使用--tokenizer_name ./merged_tokenizer_hf参数
python merge_tokenizers.py 
  --llama_tokenizer_dir ./models/daryl149/llama-2-7b-chat-hf 
  --chinese_sp_model_file ./chinese_sp.model

6. Descrição do parâmetro de ajuste fino

Existem vários parâmetros que podem ser ajustados:

parâmetro	ilustrar	Obtenha o valor
load_in_bits	Precisão do modelo	4 e 8. Se a memória de vídeo não estiver transbordada, tente escolher alta precisão 8.
block_size	Comprimento máximo de token	Primeira escolha 2048, Memory Overflow, 1024, 512, etc.
per_device_train_batch_size	Número de lotes por cartão carregado a cada vez durante o treinamento	Enquanto a memória não transbordar, tente ir para a eleição geral
per_device_eval_batch_size	Número de lotes por cartão carregado a cada vez durante a avaliação	Enquanto a memória não transbordar, tente ir para a eleição geral
incluir	Sequências de placas gráficas usadas	Por exemplo, duas peças: localhost: 1,2 (observe que a sequência não é necessariamente a mesma que o que NVIDIA-SMI vê)
NUM_TRAIN_EPOCHS	Número de rodadas de treinamento	Pelo menos 3 rodadas

7. ajuste fino

chmod +x finetune-lora.sh
# 微调
./finetune-lora.sh
# 微调（后台运行）
pkill -9 -f finetune-lora
nohup ./finetune-lora.sh > train.log  2>&1 &
tail -f train.log

8. Teste

CUDA_VISIBLE_DEVICES=0 python generate.py 
    --base_model ' ./models/daryl149/llama-2-7b-chat-hf ' 
    --lora_weights ' output/checkpoint-2000 ' 
    --load_8bit #不加这个参数是用的4bit