Skip to content

Latest commit

 

History

History
218 lines (162 loc) · 9.46 KB

README_cn.md

File metadata and controls

218 lines (162 loc) · 9.46 KB

MFTCoder训练: Atorch框架篇

Generic badge GitHub

[中文] [English]

1. 更新

🔥 MFTCoder在Atorch框架下支持GPTNeoX模型的微调；

🔥 MFTCoder支持全量的有监督微调；

🔥 MFTCoder支持LoRA微调；

2. 数据格式

2.1 训练数据格式

训练数据为jsonl格式，每一行的数据格式如下，其中chat_rounds字段是必需的，可以根据实际需求添加或删除其他字段。 可以参考项目中的xxx.jsonl文件。

{
    "id":0,
    "data_name":"code-helper",
    "chat_rounds":[
        {
            "role": "system",
            "content": "你是一个智能代码助手，可以回复用户与代码相关的问题",
            "chat_round_id": 0
        },
        {
            "role": "human",
            "content": "写一个快速排序", 
            "chat_round_id": 1
        },
        {
            "role": "bot",
            "content": "以下是一个快速排序算法xxxxxx", 
            "chat_round_id": 1
        },
        {
            "role": "human",
            "content": "解释一下这段代码", 
            "chat_round_id": 2
        },
        {
            "role": "bot",
            "content": "好的，这段代码xxx", 
            "chat_round_id": 2
        }
    ]
}

2.2 推理数据格式

推理数据格式为模型在训练数据格式下拼接的字符串形式，它也是推理时输入prompt拼接的方式：

"""
<|role_start|>system<|role_end|>这是System指令
<|role_start|>human<|role_end|>这是第1轮用户输入的问题
<|role_start|>bot<|role_end|>这是第1轮模型生成的内容</s>
<|role_start|>human<|role_end|>这是第2轮用户输入的问题
<|role_start|>bot<|role_end|>这是第2轮模型生成的内容</s>
...
...
...
<|role_start|>human<|role_end|>这是第n轮用户输入的问题
<|role_start|>bot<|role_end|>{模型现在要生成的内容}</s>
"""

3. 模型训练

目前 "MFTCoder/mft_atorch" 代码库支持全量参数指令微调和LoRA指令微调。 目前仅支持GPTNeoX模型的训练，理论上，HuggingFace上开源的GPTNeoX模型权重，均可使用本项目进行训练。

我们将训练中使用的各种组件抽取出来，以便后续的扩展和优化，详见主目录下的实现。微调训练的入口目录是train/, 训练入口文件是train/run_train.py, 参数配置存储在启动脚本train/run_gpt_*.sh等文件中，方便统一管理和更改。

3.1 数据格式

训练时，我们将多轮对话拼接成如下格式，然后进行tokenize。其中<|role_start|>human<|role_end|>表示human输入提示符，<|role_start|>bot<|role_end|>表示bot输出提示符，</s> 表示eos_token。

"<|role_start|>human<|role_end|>input1</s>target1</s>input2</s>target2</s>...

在计算loss时，我们通过mask的方式，input部分的loss不参与参数更新，只有“target”部分的loss参与参数更新。 这种方式充分利用了模型并行计算的优势，训练更加高效，且多轮对话中的每个target部分都参与了训练，训练更充分。 否则，就需要把一个n轮对话，拆分成n条数据，且只计算最后一个target的loss，大大降低了训练效率。

3.2 全量SFT

执行如下命令即可进行全量SFT：

sh run_gpt_mft.sh 10 1 8 5

需注意，启动脚本后的四个参数，分别是：

  • 第一个参数是总的per gpu batch size
  • 第二个参数是tensor parallel数（暂时只支持1）
  • 第三个参数是data parallel数，与所用GPU数保持一致
  • 第四个参数是训练epoch数

后面其他的训练方式启动脚本，也同样需要配置这四个参数

3.3 LoRA微调

执行如下命令即可进行Lora微调：

sh run_gpt_mft_peft.sh 10 1 8 5

3.4 启动脚本中主要参数说明

train/run_gpt_*.sh中的主要参数说明如下，以下参数可以根据需求进行修改，其他参数建议不做修改：

  • tokenize_mode: 目前仅支持"sft"。

  • train_mode: 目前仅支持"sft"。

  • load_raw_dataset: 需要保持"True"，后续会支持其它模式数据，当前仅支持jsonl输入

  • data_paths: "[path1,path2,path3]" 输入数据地址，字符串，开头结尾用[]，中间用,间隔不同path，每个path是一个目录，目录的最后一级名字作为任务名称，下面包含1到多个jsonl数据。

  • output_dir: 训练输出目录，存储checkpoint、lora_adaptor checkpoint等。

  • tensorboard_dir: 可以暂时忽略，实际tensorboard存储在output_dir的runs目录下。

  • model_type: 目前仅支持 gpt_neox。

  • peft_type: 目前仅支持 lora。

  • pretrained_model_path: 预训练模型的本地目录。

  • total_train_batch_size: 所有显卡train的batch size的总和，会根据启动脚本时输入的per gpu batch size自动计算。

  • per_device_valid_batch_size: 每张显卡eval的batch size，会根据启动脚本时输入的per gpu batch size自动计算。

  • gradient_accumulation_steps: 梯度累计步数。global batch=num_gpus * per_device_train_batch_size * gradient_accumulation_steps。

  • checkpoint_activations: 如果显存捉襟见肘，可以开启。以时间换空间，模型不缓存激活状态，会进行两次forward计算，以节省显存。

  • learning_rate: 学习率。全量参数微调的时候，建议小一些，1e-5或5e-6。qlora中的学习率设置更大一些，一般为1e-4、2e-4。

  • min_lr: 最低学习率， 一般是learning_rate的十分之一。

  • seq_length: 训练时的最大长度。按照自己的设备进行设置，越长需要占用越多显存。

  • log_interval: 每隔多少步统计一次train loss。

  • checkpointing_steps: 每隔多少步保存一个模型。

  • evalation_steps: 每隔多少步在验证集上evaluate一次。

  • early_stopping_patience: 多少个eval point不继续收敛，则停止训练。

  • lr_scheduler_type: 学习率变化策略。

  • num_warmup_steps: warm up步数，学习率经过多少步，增长到指定的数值。

  • seed: 随机种子，用于复现实验结果。

  • train_iters: 可以暂时设为比较小的数，如10，实际上不会影响训练步数，留作后面拓展读取其他形式数据集的功能。

  • valid_iters: 可以暂时设为比较小的数，如10，实际上不会影响训练步数，留作后面拓展读取其他形式数据集的功能。

  • evaluation_strategy: 训练期间evaluate的策略，"steps"表示每隔"valid_interval"步做一次evaluate，"epoch"表示每隔一个epoch做一次evaluate，支持同时开启。

  • save_strategy: 训练期间保存模型权重的策略，"steps"表示每隔"checkpointing_steps"步保存一次。

  • extra_save_by_epoch: 每过一个epoch是否要保存一个epoch级别的checkpoint。

  • save_total_limit: 最多保留的模型checkpoint个数，一般设置为2，会保留valid loss最低，以及最新的checkpoint，注意epoch级别的checkpoint会一直保留，且不受限制。

  • weighted_loss_mode: 多任务训练的loss加权方式。

4. 模型使用

4.1 权重合并

如果使用LoRA进行训练，本项目仅保存adapter的权重和配置文件，需要将adapter权重与base model进行合并。脚本见utils/merge_base_and_lora_to_hf.py

4.2 模型推理

我们提供了单轮对话和多轮对话的如下脚本，该脚本可同时兼容大部分huggingface格式的模型。

from transformers import (
    AutoTokenizer, 
    AutoModelForCausalLM,
)
tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code=True, use_fast=False, legacy=False)
tokenizer.padding_side = "left"
tokenizer.pad_token_id = tokenizer.convert_tokens_to_ids("<unk>")
tokenizer.eos_token_id = tokenizer.convert_tokens_to_ids("</s>")
model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, trust_remote_code=True)

HUMAN_ROLE_START_TAG = "<|role_start|>human<|role_end|>"
BOT_ROLE_START_TAG = "<|role_start|>bot<|role_end|>"
texts = ["write a python function of quick sort."]
texts = [f"{HUMAN_ROLE_START_TAG}{text}{BOT_ROLE_START_TAG}" for text in texts]

inputs = tokenizer(texts, return_tensors='pt', padding=True, add_special_tokens=False).to("cuda")
outputs = model.generate(
        inputs=inputs["input_ids"],
        attention_mask=inputs["attention_mask"],
        max_new_tokens=512,
        top_p=0.95,
        temperature=0.1,
        do_sample=True,
        eos_token_id=tokenizer.eos_token_id,
        pad_token_id=tokenizer.pad_token_id
    )
gen_text = tokenizer.batch_decode(outputs[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(gen_text)

生成脚本中的top_p、temperature、repetition_penalty、do_sample等参数对模型的生成效果影响较大，可按照自己的使用场景进行调试修改。 实践中，在代码生成场景中，如果采样模式，do_sample=True, top_p=0.95, temperature=0.1是pass@1指标的不错选择； 如果非采样模式， do_sample=False, beam_num=1或者3是不错的选择，其中beam_num=1即为greedy decoding。

5. FAQ

问题1：OOM如何解决？

如果发生OOM，可以缩小per GPU batch size (启动训练脚本时的第一个参数)、seq_length等参数来缓解。也可以设gradient_checkpointing=true，可以大幅降低显存占用，但训练速度会变慢一些。