mirror of
https://github.com/LC044/WeChatMsg
synced 2024-11-14 05:21:41 +08:00
357 lines
13 KiB
Markdown
357 lines
13 KiB
Markdown
# 大模型训练指南
|
||
|
||
## 一、导出聊天记录
|
||
|
||
导出json格式的聊天记录。
|
||
|
||
|
||
|
||
你现在应该有两个文件，dev.json(验证集)和train.json(训练集)
|
||
|
||
## 二、下载ChatGLM3-68模型
|
||
|
||
下载地址:[https://github.com/THUDM/ChatGLM3](https://github.com/THUDM/ChatGLM3)
|
||
|
||
## 使用方式
|
||
|
||
### 环境安装
|
||
|
||
首先需要下载本仓库：
|
||
|
||
```shell
|
||
git clone https://github.com/THUDM/ChatGLM3
|
||
cd ChatGLM3
|
||
```
|
||
|
||
然后使用 pip 安装依赖：
|
||
|
||
```
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
+ 为了保证 `torch` 的版本正确，请严格按照 [官方文档](https://pytorch.org/get-started/locally/) 的说明安装。
|
||
+ **如果遇到问题，请参照ChatGLM3项目的解决方案，不要在本项目中提问**
|
||
|
||
## 三、ChatGLM3-6B 微调
|
||
|
||
本目录提供 ChatGLM3-6B 模型的微调示例，包括全量微调和 P-Tuning v2。格式上，提供多轮对话微调样例和输入输出格式微调样例。
|
||
|
||
如果将模型下载到了本地，本文和代码中的 `THUDM/chatglm3-6b` 字段均应替换为相应地址以从本地加载模型。
|
||
|
||
运行示例需要 `python>=3.10`，除基础的 `torch` 依赖外，示例代码运行还需要依赖。
|
||
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
## 测试硬件标准
|
||
|
||
我们仅提供了单机多卡/多机多卡的运行示例，因此您需要至少一台具有多个 GPU 的机器。本仓库中的**默认配置文件**中，我们记录了显存的占用情况：
|
||
|
||
+ SFT 全量微调: 4张显卡平均分配，每张显卡占用 `48346MiB` 显存。
|
||
+ P-TuningV2 微调: 1张显卡，占用 `18426MiB` 显存。
|
||
+ LORA 微调: 1张显卡，占用 `14082MiB` 显存。
|
||
|
||
> 请注意，该结果仅供参考，对于不同的参数，显存占用可能会有所不同。请结合你的硬件情况进行调整。
|
||
|
||
> 请注意，我们仅仅使用英伟达 Hopper(代表显卡：H100) 和 Ampère(代表显卡:A100) 架构和系列显卡做过测试。如果您使用其他架构的显卡，可能会出现
|
||
> 1. 未知的训练问题 / 显存占用与上述有误差。
|
||
> 2. 架构过低而不支持某些特性。
|
||
> 3. 推理效果问题。
|
||
> 以上三种情况为社区曾经遇到过的问题，虽然概率极地，如果您遇到了以上问题，可以尝试在社区中解决。
|
||
|
||
## 多轮对话格式
|
||
|
||
多轮对话微调示例采用 ChatGLM3 对话格式约定，对不同角色添加不同 `loss_mask` 从而在一遍计算中为多轮回复计算 `loss`。
|
||
|
||
对于数据文件，样例采用如下格式
|
||
|
||
如果您仅希望微调模型的对话能力，而非工具能力，您应该按照以下格式整理数据。
|
||
|
||
```json
|
||
[
|
||
{
|
||
"conversations": [
|
||
{
|
||
"role": "system",
|
||
"content": "<system prompt text>"
|
||
},
|
||
{
|
||
"role": "user",
|
||
"content": "<user prompt text>"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "<assistant response text>"
|
||
},
|
||
// ... Muti Turn
|
||
{
|
||
"role": "user",
|
||
"content": "<user prompt text>"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "<assistant response text>"
|
||
}
|
||
]
|
||
}
|
||
// ...
|
||
]
|
||
```
|
||
|
||
**请注意，这种方法在微调的step较多的情况下会影响到模型的工具调用功能**
|
||
|
||
- `system` 角色为可选角色，但若存在 `system` 角色，其必须出现在 `user`
|
||
角色之前，且一个完整的对话数据（无论单轮或者多轮对话）只能出现一次 `system` 角色。
|
||
|
||
## 数据集格式示例
|
||
|
||
这里以 AdvertiseGen 数据集为例,
|
||
您可以从 [Google Drive](https://drive.google.com/file/d/13_vf0xRTQsyneRKdD1bZIr93vBGOczrk/view?usp=sharing)
|
||
或者 [Tsinghua Cloud](https://cloud.tsinghua.edu.cn/f/b3f119a008264b1cabd1/?dl=1) 下载 AdvertiseGen 数据集。
|
||
将解压后的 AdvertiseGen 目录放到 `data` 目录下并自行转换为如下格式数据集。
|
||
|
||
> 请注意，现在的微调代码中加入了验证集，因此，对于一组完整的微调数据集，必须包含训练数据集和验证数据集，测试数据集可以不填写。或者直接用验证数据集代替。
|
||
|
||
```
|
||
{"conversations": [{"role": "user", "content": "类型#裙*裙长#半身裙"}, {"role": "assistant", "content": "这款百搭时尚的仙女半身裙，整体设计非常的飘逸随性，穿上之后每个女孩子都能瞬间变成小仙女啦。料子非常的轻盈，透气性也很好，穿到夏天也很舒适。"}]}
|
||
```
|
||
|
||
## 配置文件
|
||
|
||
微调配置文件位于 `config` 目录下，包括以下文件：
|
||
|
||
1. `ds_zereo_2 / ds_zereo_3.json`: deepspeed 配置文件。
|
||
2. `lora.yaml / ptuning.yaml / sft.yaml`: 模型不同方式的配置文件，包括模型参数、优化器参数、训练参数等。 部分重要参数解释如下：
|
||
+ data_config 部分
|
||
+ train_file: 训练数据集的文件路径。
|
||
+ val_file: 验证数据集的文件路径。
|
||
+ test_file: 测试数据集的文件路径。
|
||
+ num_proc: 在加载数据时使用的进程数量。
|
||
+ max_input_length: 输入序列的最大长度。
|
||
+ max_output_length: 输出序列的最大长度。
|
||
+ training_args 部分
|
||
+ output_dir: 用于保存模型和其他输出的目录。
|
||
+ max_steps: 训练的最大步数。
|
||
+ per_device_train_batch_size: 每个设备（如 GPU）的训练批次大小。
|
||
+ dataloader_num_workers: 加载数据时使用的工作线程数量。
|
||
+ remove_unused_columns: 是否移除数据中未使用的列。
|
||
+ save_strategy: 模型保存策略（例如，每隔多少步保存一次）。
|
||
+ save_steps: 每隔多少步保存一次模型。
|
||
+ log_level: 日志级别（如 info）。
|
||
+ logging_strategy: 日志记录策略。
|
||
+ logging_steps: 每隔多少步记录一次日志。
|
||
+ per_device_eval_batch_size: 每个设备的评估批次大小。
|
||
+ evaluation_strategy: 评估策略（例如，每隔多少步进行一次评估）。
|
||
+ eval_steps: 每隔多少步进行一次评估。
|
||
+ predict_with_generate: 是否使用生成模式进行预测。
|
||
+ generation_config 部分
|
||
+ max_new_tokens: 生成的最大新 token 数量。
|
||
+ peft_config 部分
|
||
+ peft_type: 使用的参数有效调整类型（如 LORA）。
|
||
+ task_type: 任务类型，这里是因果语言模型（CAUSAL_LM）。
|
||
+ Lora 参数：
|
||
+ r: LoRA 的秩。
|
||
+ lora_alpha: LoRA 的缩放因子。
|
||
+ lora_dropout: 在 LoRA 层使用的 dropout 概率
|
||
+ P-TuningV2 参数：
|
||
+ num_virtual_tokens: 虚拟 token 的数量。
|
||
|
||
## 开始微调
|
||
|
||
通过以下代码执行 **单机多卡/多机多卡** 运行，这是使用 `deepspeed` 作为加速方案的，您需要安装 `deepspeed`。
|
||
|
||
```angular2html
|
||
cd finetune_demo
|
||
OMP_NUM_THREADS=1 torchrun --standalone --nnodes=1 --nproc_per_node=8 finetune_hf.py data/AdvertiseGen/ THUDM/chatglm3-6b configs/lora.yaml configs/ds_zero_2.json
|
||
```
|
||
|
||
通过以下代码执行 **单机单卡** 运行。
|
||
|
||
```angular2html
|
||
cd finetune_demo
|
||
python finetune_hf.py data/AdvertiseGen/ THUDM/chatglm3-6b configs/lora.yaml
|
||
```
|
||
|
||
## 从保存点进行微调
|
||
|
||
如果按照上述方式进行训练，每次微调都会从头开始，如果你想从训练一半的模型开始微调，你可以加入第四个参数，这个参数有两种传入方式:
|
||
|
||
1. `yes`, 自动从最后一个保存的 Checkpoint开始训练
|
||
2. `XX`, 断点号数字 例 `600` 则从序号600 Checkpoint开始训练
|
||
|
||
例如，这就是一个从最后一个保存点继续微调的示例代码
|
||
|
||
```angular2html
|
||
cd finetune_demo
|
||
python finetune_hf.py data/AdvertiseGen/ THUDM/chatglm3-6b configs/lora.yaml yes
|
||
```
|
||
|
||
## 使用微调后的模型
|
||
|
||
### 在 inference_hf.py 中验证微调后的模型
|
||
|
||
您可以在 `finetune_demo/inference_hf.py` 中使用我们的微调后的模型，仅需要一行代码就能简单的进行测试。
|
||
|
||
```angular2html
|
||
python inference_hf.py your_finetune_path --prompt your prompt
|
||
```
|
||
|
||
这样，得到的回答就微调后的回答了。
|
||
|
||
### 在本仓库的其他 demo 或者外部仓库使用微调后的模型
|
||
|
||
您可以在任何一个 demo 内使用我们的 `lora` 和 全参微调的模型。这需要你自己按照以下教程进行修改代码。
|
||
|
||
1. 使用`finetune_demo/inference_hf.py`中读入模型的方式替换 demo 中读入模型的方式。
|
||
|
||
> 请注意，对于 LORA 和 P-TuningV2 我们没有合并训练后的模型，而是在`adapter_config.json`
|
||
> 中记录了微调型的路径，如果你的原始模型位置发生更改，则你应该修改`adapter_config.json`中`base_model_name_or_path`的路径。
|
||
|
||
```python
|
||
def load_model_and_tokenizer(
|
||
model_dir: Union[str, Path], trust_remote_code: bool = True
|
||
) -> tuple[ModelType, TokenizerType]:
|
||
model_dir = _resolve_path(model_dir)
|
||
if (model_dir / 'adapter_config.json').exists():
|
||
model = AutoPeftModelForCausalLM.from_pretrained(
|
||
model_dir, trust_remote_code=trust_remote_code, device_map='auto'
|
||
)
|
||
tokenizer_dir = model.peft_config['default'].base_model_name_or_path
|
||
else:
|
||
model = AutoModelForCausalLM.from_pretrained(
|
||
model_dir, trust_remote_code=trust_remote_code, device_map='auto'
|
||
)
|
||
tokenizer_dir = model_dir
|
||
tokenizer = AutoTokenizer.from_pretrained(
|
||
tokenizer_dir, trust_remote_code=trust_remote_code
|
||
)
|
||
return model, tokenizer
|
||
```
|
||
|
||
2. 读取微调的模型，请注意，你应该使用微调模型的位置，例如，若你的模型位置为`/path/to/finetune_adapter_model`
|
||
，原始模型地址为`path/to/base_model`,则你应该使用`/path/to/finetune_adapter_model`作为`model_dir`。
|
||
3. 完成上述操作后，就能正常使用微调的模型了，其他的调用方式没有变化。
|
||
|
||
### 提示
|
||
|
||
1. 微调代码在开始训练前，会先打印首条训练数据的预处理信息(默认已经注释，可以解除注释)，显示为
|
||
|
||
```log
|
||
Sanity
|
||
Check >> >> >> >> >> >> >
|
||
'[gMASK]': 64790 -> -100
|
||
'sop': 64792 -> -100
|
||
'<|system|>': 64794 -> -100
|
||
'': 30910 -> -100
|
||
'\n': 13 -> -100
|
||
'Answer': 20115 -> -100
|
||
'the': 267 -> -100
|
||
'following': 1762 -> -100
|
||
...
|
||
'know': 683 -> -100
|
||
'the': 267 -> -100
|
||
'response': 3010 -> -100
|
||
'details': 3296 -> -100
|
||
'.': 30930 -> -100
|
||
'<|assistant|>': 64796 -> -100
|
||
'': 30910 -> 30910
|
||
'\n': 13 -> 13
|
||
'I': 307 -> 307
|
||
'need': 720 -> 720
|
||
'to': 289 -> 289
|
||
'use': 792 -> 792
|
||
...
|
||
<< << << << << << < Sanity
|
||
Check
|
||
```
|
||
|
||
字样，每行依次表示一个 detokenized string, token_id 和 target_id。其中，`target_id`为`token_id`在模型词表中的索引，`-100`表示该
|
||
token 不参与 `loss` 计算。
|
||
|
||
2. `_prepare_model_for_training` 的作用是遍历模型的所有可训练参数，并确保它们的数据类型为`torch.float32`。
|
||
这在某些情况下是必要的，因为混合精度训练或其他操作可能会更改模型参数的数据类型。该代码默打开，可以注释，但是如果使用
|
||
`half` 格式训练出现问题，可以切换回这个代码，显存可能增加。
|
||
3. 在我们的[Huggingface模型代码](https://huggingface.co/THUDM/chatglm3-6b/blob/main/modeling_chatglm.py)中，有以下内容：
|
||
```python
|
||
if self.gradient_checkpointing and self.training:
|
||
layer_ret = torch.utils.checkpoint.checkpoint(
|
||
layer,
|
||
hidden_states,
|
||
attention_mask,
|
||
rotary_pos_emb,
|
||
kv_caches[index],
|
||
use_cache,
|
||
use_reentrant=False
|
||
)
|
||
```
|
||
这可能导致训练的时候显存增加，因此，如果您的显存不足，可以尝试将``` use_reentrant``` 修改为`True`。
|
||
4. 微调后的模型可以使用任何支持 `peft` 载入的模型加速框架，在这里，我们没有提供demo。
|
||
5. 本仓库的微调数据集格式与 API 微调数据集格式有一定区别
|
||
+ ZhipuAI API 微调数据集中的 `messages` 字段在本仓库为 `conversation` 字段。
|
||
+ ZhipuAI API 中的微调文件为 `jsonl`, 在本仓库，需要简单的将文件名改为 `json`。
|
||
|
||
> 以上内容来自ChatGLM3项目
|
||
|
||
## 微调示例
|
||
|
||
配置文件
|
||
|
||
```yaml
|
||
data_config:
|
||
train_file: train.json
|
||
val_file: dev.json
|
||
test_file: dev.json
|
||
num_proc: 10
|
||
max_input_length: 512
|
||
max_output_length: 128
|
||
training_args:
|
||
# see `transformers.Seq2SeqTrainingArguments`
|
||
output_dir: ./output03-24
|
||
max_steps: 100000
|
||
# settings for data loading
|
||
per_device_train_batch_size: 4
|
||
dataloader_num_workers: 10
|
||
remove_unused_columns: false
|
||
# settings for saving checkpoints
|
||
save_strategy: steps
|
||
save_steps: 2000
|
||
# settings for logging
|
||
log_level: info
|
||
logging_strategy: steps
|
||
logging_steps: 10
|
||
# settings for evaluation
|
||
per_device_eval_batch_size: 4
|
||
evaluation_strategy: steps
|
||
eval_steps: 5200
|
||
# settings for optimizer
|
||
# adam_epsilon: 1e-6
|
||
# uncomment the following line to detect nan or inf values
|
||
# debug: underflow_overflow
|
||
predict_with_generate: yes
|
||
# see `transformers.GenerationConfig`
|
||
generation_config:
|
||
max_new_tokens: 256
|
||
# set your absolute deepspeed path here
|
||
#deepspeed: ds_zero_2.json
|
||
# set to true if train with cpu.
|
||
use_cpu: false
|
||
peft_config:
|
||
peft_type: LORA
|
||
task_type: CAUSAL_LM
|
||
r: 8
|
||
lora_alpha: 32
|
||
lora_dropout: 0.1
|
||
```
|
||
|
||
硬件配置:4090 24G、64G内存、CPU 14700KF 20核28线程
|
||
|
||
你需要根据你的硬件配置修改上述参数，各个参数含义上面有说
|
||
|
||
微调命令（需要指定数据集路径和ChatGLM3基础大模型的路径）
|
||
|
||
```shell
|
||
python finetune_hf.py data/ E:\\Project\\Python\\Langchain-Chatchat\\chatglm3-6b configs/lora.yaml yes
|
||
```
|