LLMs-train：一套代码指令微调大模型

本项目旨在指令微调多类基座大模型，实现 LORA + DeepSpeed + 单卡/多卡微调，目前已测试的模型见下表：

测试模型	语言	测试权重
Chinese-LLaMA-Alpaca	中文	chinese-alpaca-plus-lora-13b
Open-LLaMA	英文	open_llama_13b
		open_llama_7b
BELLE	中文	BELLE-LLaMA-EXT-13B
		BELLE-LLaMA-EXT-7B
BLOOM	英文	bloomz-1b7
		bloomz-7b1
ChatGLM-6B	中文	ChatGLM-6B
		ChatGLM2-6B
百川	中文	baichuan-7B
	中文	baichuan-13B-Chat
TigerBot	中文	tigerbot-7b-sft
		tigerbot-7b-base
Pythia	英文	pythia-1b-deduped
		pythia-12b-deduped

TODO：

• 支持 QLoRA
• LoRA 模型合并
• 对话界面
• 添加评价指标
• 测试其他基座模型

Change log

• 【2023-7-31】发布第一版代码，包括LoRA+单卡/多卡微调、分词器训练，测试过的模型包括：Chinese-LLaMA-Alpaca、Open-LLaMA、BELLE、BLOOM、ChatGLM-6B、baichuan、TigerBot、Pythia。

运行

1、数据准备

这里我们使用 CCKS2023-PromptCBLUE中文医疗大模型评测基准 比赛中的数据集为例。此数据集将“中文医疗信息处理挑战榜 CBLUE”数据集进行了改造，将16种不同的医疗场景NLP任务全部转化为基于提示的语言生成任务，形成首个中文医疗场景的LLM评测基准。

PromptCBLUE 采用94个指令微调模板，对 CBLUE 基准中的各个任务进行。经过改造后，医疗文本 NLP 数据集都将转化为如下格式。input 字段字符串是 LLM 模型的输入，target 字段也是一个字符串，则是 LLM 模型需要生成的文本序列。

{
	"input": str,
	"target": str,
	"type": str,
	"answer_choices": str,
	"sample_id": str,
}

为了方便快速验证，我们抽取了其中的 CHIP-CTC 子数据集，包括训练集 6000 条，验证集 1100 条，测试集 1060 条。下载地址

2、模型准备

模型可以下载到本地，训练时给 model_name_or_path 参数传入模型所在的路径，也可以只传模型在 Hugging Face 上的名字，例如 THUDM/chatglm-6b，代码会自动下载模型。

部分 LLaMA 类的模型需要进行模型转换，涉及到的模型有：chinese-alpaca-plus-lora-13b，转换方法参考这里。

3、环境与配置

环境准备

conda create -n llms_train python=3.9
conda activate llms_train
pip install -r requirements.txt

LoRA 配置

在 config.py 文件里有各类模型的 LoRA 配置文件，可以自定义修改。配置文件内容举例如下：

'glm': {
    "lora_r": 8,
    "lora_alpha": 32,
    "lora_dropout": 0.05,
    "lora_target_modules": "query_key_value,dense,dense_h_to_4h,dense_4h_to_h",
    "modules_to_save": "null"
},

字段说明：

• lora_r：LoRA 的秩 $r$；
• lora_alpha： $\frac{\alpha}{r} \Delta Wx$ 中的 $\alpha$；
• lora_dropout：LoRA 层的 dropout 概率；
• lora_target_modules：LoRA 挂在哪些 modules 上；
• modules_to_save：除了 LoRA 层外，还有哪些 modules 被设为可训练的，并且会被保存在最后的 checkpoint 中。

Deepspeed 配置

这里采用 ZeRO2 配置：

{
    "fp16": {
        "enabled": "auto",
        "loss_scale": 0,
        "loss_scale_window": 100,
        "initial_scale_power": 16,
        "hysteresis": 2,
        "min_loss_scale": 1e-10
    },
    "bf16": {
        "enabled": "auto"
    },
    "zero_optimization": {
        "stage": 2,
        "allgather_partitions": true,
        "allgather_bucket_size": 5e8,
        "overlap_comm": true,
        "reduce_scatter": true,
        "reduce_bucket_size": 5e8,
        "contiguous_gradients": true
    },

    "gradient_accumulation_steps": "auto",
    "gradient_clipping": "auto",
    "steps_per_print": 2000,
    "train_batch_size": "auto",
    "train_micro_batch_size_per_gpu": "auto",
    "wall_clock_breakdown": false
}

关于多卡并行训练的策略，可参考这里。

其他配置

config.py 还有几个其他配置：MODEL_MAP、TOKENIZER_MAP、SPECIAL_IDS，根据 model_type 参数选取不同的 Model calss、Tokenizer Class，根据 model_name_or_path 选取特殊的 token id。model_type 取值及对应的模型如下：

• 取值 llama：可调用 chinese-alpaca-plus-lora-13b、open_llama_13b、open_llama_7b、BELLE-LLaMA-EXT-13B、BELLE-LLaMA-EXT-7B、tigerbot-7b-sft、tigerbot-7b-base 等 LLaMA 类模型。
• 取值 glm：可调用 ChatGLM-6B、ChatGLM2-6B。
• 取值 bloom：可调用 bloomz-1b7、bloomz-7b1 等 BLOOM 类模型。
• 取值 pythia：可调用 pythia-1b-deduped、pythia-12b-deduped 等 Pythia 类模型。

4、微调

运行 scripts/train.sh。其文件内容如下：

LR=2e-4
model_name_or_path="../models/pythia-12b-deduped"   # LLM底座模型路径，或者是huggingface hub上的模型名称
model_type='pythia'
your_data_path="./datasets/PromptCBLUE"  # 填入数据集所在的文件夹路径
your_checkpopint_path="./experiments/outputs"  # 填入用来存储模型的路径
max_steps=100
max_source_length=256
max_target_length=16

peft_path=""  # 如果之前训练过，且存储了peft权重，则设置为peft权重的文件夹路径

CUDA_VISIBLE_DEVICES=0 torchrun --nproc_per_node 1 train.py \
    --deepspeed configs/ds_zero2_no_offload.json \
    --do_train \
    --do_eval \
    --model_name_or_path $model_name_or_path \
    --model_type $model_type \
    --use_lora True \
    --fp16 \
    --train_file $your_data_path/train_CHIP-CTC.json \
    --validation_file $your_data_path/dev_CHIP-CTC.json \
    --preprocessing_num_workers 8 \
    --cache_dir $your_data_path \
    --prompt_column input \
    --response_column target \
    --output_dir $your_checkpopint_path/test-pythia-12b-deduped-lora-$LR \
    --overwrite_output_dir \
    --max_source_length $max_source_length \
    --max_target_length $max_target_length \
    --per_device_train_batch_size 4 \
    --per_device_eval_batch_size 4 \
    --gradient_accumulation_steps 16 \
    --max_steps $max_steps \
    --logging_steps 10 \
    --save_strategy steps \
    --save_steps 50 \
    --save_total_limit 3 \
    --evaluation_strategy steps \
    --eval_steps 50 \
    --learning_rate $LR 

参数含义如下：

• deepspeed：deepspeed 的配置文件路径
• do_train：bool，是否开启训练
• do_eval：bool，是否在验证集上验证，如果 evaluation_strategy 不等于 "no" ，则会设为 True
• model_name_or_path：模型在 hugging face 上的名字，或者是已经存在本地的路径
• model_type：model 的类型，可选项包括 llama、glm、 bloom、 pythia、baichuan、 other
• use_lora：使用 lora 微调，默认为 True，否则是全量微调
• fp16：是否使用 fp16 （混合）精度来训练
• train_file：训练集数据文件
• validation_file：验证集数据文件
• preprocessing_num_workers：在对数据进行批量分词时的 worker 数
• cache_dir：HF 模型的缓存路径
• prompt_column：样本里输入的字段名
• response_column：样本里输出的字段名
• output_dir：训练结果保存路径
• overwrite_output_dir：如果设为 True，则覆盖 output 文件夹
• max_source_length：输入文本的最大长度
• max_target_length：输出文本的最大长度
• pre_device_train_batch_size：训练时每张卡上的 batch size
• pre_device_eval_batch_size：验证/测试时每张卡上的 batch size
• gradient_accumulation_steps：梯度累积轮数
• max_steps：训练轮数，一轮包含样本数： GPU数量 * pre_device_train_batch_size * gradient_accumulation_steps
• logging_steps：每多少轮打印 log
• save_strategy：训过程中按照 steps 数还是 epoch 数来保存中间结果，可选值为 no、steps、epoch
• save_steps：每多少 steps 保存 checkpoint
• evaluation_strategy：按照 steps 数还是 epoch 数来跑验证集 ，可选值为 no、steps、epoch
• eval_steps：每多少 steps 跑一次验证
• learning_rate：学习率

如果是多卡训练，请对应修改 sh 中的：CUDA_VISIBLE_DEVICES=0 torchrun --nproc_per_node 1。例如 4 卡训练可以改为：CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --nproc_per_node 4。

注意：

• model_name_or_path 要和 model_type 正确对应。
• 有些模型的 bos_id、eos_id、pad_id 并不是完全一致的，在 config.py 里的 SPECIAL_IDS 指定了各个模型的 special token id，除了已经测试过的模型外，需要自己手动添加。

5、推理

运行推理脚本：

CUDA_VISIBLE_DEVICES=0 python inference.py \
    --model_name_or_path experiments/outputs/PromptCBLUE-chatglm-6b-lora-2e-4 \
    --ckpt_path experiments/outputs/PromptCBLUE-chatglm-6b-lora-2e-4/checkpoint-9690 \
    --model_type glm \
    --data_file ./datasets/PromptCBLUE/test.json \
    --cache_dir ./datasets/PromptCBLUE \
    --use_lora

问题记录：

• 如果 /work目录没有权限，要加环境变量：export HF_MODULES_CACHE=~/.cache/huggingface
• sh添加权限： chmod u+x xxx.sh

AI 基础知识

• 大模型基础知识
• AI世界

持续更新……

致谢

感谢社区优秀的开源大模型：ChatGLM-6B (ChatGLM2)、Chinese-LLaMA-Alpaca、openllama、BLOOM、BELLE、Pythia、GPTNeoX、百川。

此项目还参考了以下优秀的开源项目：

• PromptCBLUE

• sentencepiece_chinese_bpe

• Chatglm_lora_multi-gpu

• ChatGLM-Efficient-Tuning

• zero_nlp

免责声明

本项目仅供学习研究使用。模型的训练结果受模型本身结构、随机性、训练参数、数据集等因素影响，本项目不对模型训练的结果负责，也不对模型的生成内容负责，也不对使用本项目造成的任何损失承担责任。本项目由个人在业余时间开发并维护，因投入时间有限、作者水平有限，无法保证相关问题回复的时效性，不过后续会建立交流群，到时欢迎大家一起学习、互帮互助。

引用

如果此项目对你有帮助，请按下面格式引用：

@software{LLMs_train,
  title = {{LLMs_train: A Set of Code to Fine-Tune Large Language Models}},
  author = {Xudong Li},
  year = {2023},
  url = {https://www.github.com/5663015/LLMs_train},
}