llama lora fine tuning
1.0.0
中文
Как правило, есть две схемы для точной настройки Facebook/Llama. Один из них - серия Стэнфорда Альпака, а другой - викуна, основанная на корпусе ShareGPT. Vicuna использует много круговых диалоговых корпусов, а эффект обучения лучше, чем Alpaca, который не выполняется по одному раунду диалогу. Следовательно, рекомендуется тонко настраивать ламу на основе Vicuna. Два точных способов настройки подробно описаны в следующих проектах (описание режима Lora в FastChat относительно просто).
https://github.com/tloen/alpaca-lora
https://github.com/lm-sys/fastchat
Alpaca-Lora имеет низкие требования к памяти, около 12G 2080TI может поддерживать, но обучение моделей с несколькими раундами, такими как Vicuna, требует высокой памяти графического процессора. Обучение модели Vicuna требует не менее 24G памяти графического процессора [официальная рекомендация 4 * V100 (32G)]. Если у вас есть высококачественная видеокарта, просто следуйте файлу для обучения. Если у вас есть только 10G -видеокарта, но вы хотите настроить корпус для воспроизведения модели Vicuna, вы должны подумать о многих способах, чтобы постоянно снижать точность с 32 битов до половины точностью 16 битов, затем от 16 битов до 8 битов и ускорить метод обучения для достижения цели.
• Используйте метод LORA для обучения только части параметров
• Основная модель принимает полуоперацию Llama-7b-HF
• Используйте LOAD_IN_8BIT для загрузки базовой модели
• Используйте технологию PEFT для тонкой настройки
• Используйте BitsAndbytes для ускорения
Затем мы основывались на Fastchat, эта статья изменяет код обучения LORA, использует корпус ShareGPT и тонкие настройки на карте 16G, занимая около 13 г памяти памяти.
• Операционная система: centos или Ubuntu
• NVIDA P100 или T4: 16G GPU памяти или выше
• Cuda, Conda
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.txtВы можете скачать оригинальную модель и преобразовать ее в половину точности, или загрузить конвертированную модель с половиной точности непосредственно с 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.logТочная настройка на P100 (16G) занимает 13,5 г памяти. В случае одного раунда тренировок, это занимает 120 часов, около 5 дней, что все еще очень много времени. Эффект полученной модели должен быть проверен. model_max_length повлияет на время обучения. Если установить 1024, время будет вдвое по сравнению с 2048, но это повлияет на эффект вывода.
Точная настройка на одиночном A100 и занимает около 16 часов.
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 TrueОбученная модель Lora Peft состоит из Adapter_config.json, Adapter_model.bin и Trainer_state.json. Ниже приведена структура файла PEFT и оригинальную модель Llama.
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
