Skip to content

Latest commit

 

History

History
202 lines (155 loc) · 13.8 KB

finetune.md

File metadata and controls

202 lines (155 loc) · 13.8 KB
Raw

飞桨大模型套件精调文档

1.飞桨精调特色

大模型精调（Supervised Fine-Tuning，SFT）作为大语言模型（LLM）的重要一环，其主要目标是使模型能够遵循指令输出预期回答，有效提升通用模型在特定的领域和应用场景的效果，更好的满足大模型的个性化应用。 是一种用于改进和定制预训练大语言模型的方法。

  • 易用并行策略：支持纯数据并行（Data Parallelism）、分组参数切片的数据并行（Sharding Parallelism）、张量模型并行（Tensor Parallelism）、流水线模型并行（Pipeline Parallelism）、序列并行(Sequence parallelism)。
  • 多种精度训练：16/32bit 全量精调、4/8/16bit LoRA 精调、混合量化 LoRA 精调。
  • 性能极致优化：FlashAttention-2、FlashMask、Greedy Zero Padding。
  • 先进精调策略：LoRA+、PiSSA、rsLoRA、NEFTune、VeRA。

更多算法原理细节详见飞桨大模型常见算法文档

2.大模型精调介绍

下面我们将介绍 SFT 常用的技术：

llm
飞桨与 Huggingface Transformers 微调性能比对

  • 全量精调: 最常用的 SFT 技术，在指令数据集上重新训练预训练模型的所有参数。这种方法通常能提供最佳结果，但需要大量的计算资源。

  • LoRA: 低秩适配（Low-Rank Adaptation）是最常用参数高效微调(PEFT，Parameter-Efficient Fine-Tuning)技术。它不是重新训练整个模型，而是冻结权重，并在每个目标线性层引入低秩矩阵。这使得 LoRA 所需训练的参数数量大幅减少（少于1%），从而减少了内存使用和训练时间。

  • QLoRA:量化感知低秩适配（Quantized Low-Rank Adaptation）与标准 LoRA 相比，它可额外减少多达33%的内存使用，使其在 GPU 内存受限的情况下尤为有用。QLoRA 通常比普通 LoRA 多花费约20%的时间，但其显著的内存节省使其在 GPU 内存有限的情况下成为唯一可行的选择。

3. 快速开始

接下来我们将以Llama 3为例介绍如何使用统一脚本进行 SFT 全参精调和 LoRA 精调。

3.1 环境准备

  • PaddlePaddle 3.0-beta
  • PaddleNLP 3.0.0b3
  • PaddleSlim develop

git clone 代码到本地，即可开始。

    git clone https://github.com/PaddlePaddle/PaddleNLP.git
    # pip install ./PaddleNLP 使用develop版本
    cd PaddleNLP/llm
    # 到达运行目录

3.2 精调数据准备

为了方便用户测试，我们也提供示例数据集广告生成数据集，用户也可以仿照数据集的格式制作自己的数据集进行精调。我们支持的数据格式是每行包含一个字典，每个字典包含以下字段：

  • src : str, List(str), 模型的输入指令（instruction）、提示（prompt），模型应该执行的任务。
  • tgt : str, List(str), 模型的输出。

样例数据：

{"src": "类型#裙*颜色#蓝色*风格#清新*图案#蝴蝶结", "tgt": "裙身处采用立体蝴蝶结装饰辅以蓝色条带点缀，令衣身造型饱满富有层次的同时为其注入一丝甜美气息。将女孩清新娇俏的一面衬托而出。"}
...

3.3 全参精调

python -u  -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/sft_argument.json
  1. zero_padding和greedy_zero_padding同时设为 True 有助于提高训练效率。建议将per_device_train_batch_size设为1，使用gradient_accumulation_steps控制 batch size，适当调整max_length取值。
  2. 设置use_flash_attention为 True 使用 FlashAttention。在 FlashAttention 打开的基础上设置flash_mask为 True 使用 FlashMask。
  3. SFT API 支持4D 并行策略，可以通过控制tensor_parallel_degree、pipeline_parallel_degree、 sharding、sharding_parallel_degree调整

3.4 LoRA/QLoRA

# 单卡LoRA
python  run_finetune.py ./config/llama/lora_argument.json

# 单卡QLoRA
python  run_finetune.py ./config/llama/qlora_argument.json

# 多卡LoRA
python  -u  -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7"  run_finetune.py ./config/llama/lora_argument.json

# 多卡QLoRA
python  -u  -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7"  run_finetune.py ./config/llama/qlora_argument.json

Note:

  1. zero_padding和greedy_zero_padding同时设为 True 有助于提高训练效率。建议将per_device_train_batch_size设为1，使用gradient_accumulation_steps控制 batch size，适当调整max_length取值。
  2. LoRA 策略默认应用在所有 Linear 层。
  3. 可以通过设置weight_quantize_algo将主干模型量化低比特，例如'weight_only_int4','weight_only_int8'，'nf4'或'fp4'。具体参考精调参数介绍
  4. 设置use_flash_attention为 True 使用 FlashAttention。在 FlashAttention 打开的基础上设置flash_mask为 True 使用 FlashMask。
  5. LoRA API 支持4D 并行策略，可以通过控制tensor_parallel_degree、pipeline_parallel_degree、 sharding、sharding_parallel_degree调整并行训练策略，可拓展至单机 LoRA 微调千亿模型。

3.5 LoRA 参数合并

为了后续的压缩和静态图推理方便，我们提供 LoRA 参数合并脚本，可以将 LoRA 参数合并到主干模型并保存相应的权重。

python merge_lora_params.py \
    --model_name_or_path ./checkpoints/sft_ckpts \
    --lora_path ./checkpoints/lora_ckpts \
    --output_path ./checkpoints/lora_merge \
    --device "gpu" \
    --safe_serialization True
  脚本参数介绍
  • lora_path: LoRA 参数和配置路径，对 LoRA 参数进行初始化，默认为 None。
  • model_name_or_path: 必须，主干模型参数路径，默认为 None。
  • merge_model_path: 必须，合并参数后保存路径，默认为 None。
  • device: 运行环境，默认为 gpu。
  • safe_serialization: 是否保存为 safetensor 格式，默认为 True。

4.精调参数介绍

  模型参数（ModelArgument）
  • model_name_or_path: 预训练模型名称或者本地的模型路径，用于热启模型和分词器，默认为 None。每个模型支持模型权重详见各模型目录。
  • use_flash_attention: 模型是否使用 FlashAttention，默认为 False。
  • flash_mask: 模型是否使用 FlashMask，默认为 False。请在 FlashAttention 打开的基础上设置。
  • lora: 是否开启 LoRA 微调策略，默认为 False。
  • lora_path: LoRA 参数和配置路径，对 LoRA 参数进行初始化，默认为 None。
  • lora_rank: LoRA 算法中 rank（秩）的值，默认为8。
  • rslora: 是否使用 rsLoRA 算法。
  • lora_plus_scale: 是否使用 LoRA+，设置 B 与 A 的学习率比例。
  • neftune: 是否使用NEFT，进行微调。默认为 False。
  • neftune_noise_alpha: NEFT alpha 参数，默认为5.0。
  • vera: 是否开启 VeRA 微调策略，默认为 False。
  • vera_rank: VeRA 算法中 rank（秩）的值，默认为8。
  • lokr: 是否开启 LoKr 微调策略，默认为 False。
  • lokr_rank: LoKr 算法中 rank（秩）的值，默认为8。
  • use_long_sequence_strategies: 是否使用长序列扩展策略，默认为 False。
  • strategy_type: 长序列扩展策略的类型，默认为 None。
  • strategy_name: 长序列扩展策略的具体名称，默认为 None。
  • rope_scaling_factor: 应用 RoPE 扩展策略时的缩放因子。
  • lora_use_mixer: 是否开启 MosLoRA 策略。
  数据参数（DataArgument）
  • dataset_name_or_path: 本地数据集目录或内置数据集名称，默认为 None。脚本已适配单文件和多文件，会自己寻找dataset_name_or_path/train.json 或者 dataset_name_or_path/train/*.json作为训练集文件, 以及dataset_name_or_path/dev.json 或者 dataset_name_or_path/dev/*.json作为验证集文件。
  • zero_padding:是否使用 Zero Padding 数据流（减少 Padding 冗余计算，大幅提升有效 Token 计算效率），默认为 False。当eval_with_do_generation设为 True,评估过程不支持 Zero Padding 数据流。
  • greedy_zero_padding:贪心 Zero Padding 数据流，默认为 False。请在zero_padding设为 True 的基础上打开。
  • src_length: 模型输入上下文最大 token 长度，默认为1024。
  • max_length:模型输入（上下文+生成内容）的最大 token 长度, 默认为2048。当zero_padding设为 True 的时候，同时也为 Zero Padding 数据流模型训练输入最大长度，通常建议设为模型允许输入最大长度，同时per_device_train_batch_size设为1，使用gradient_accumulation_steps控制 batch size。
  • lazy:设置为 False 则使用MapDataset，设置为 True 则使用IterDataset，默认为 False。对于数据量较大的时候建议设为 True，IterDataset可以避免一次性将所有数据读入内存，注意需要设置max_steps并且evaluation_strategy和save_strategy设为steps
  • autoregressive: 是否使用自回归生成，即训练数据为无监督数据，默认为 False。
  • use_pose_convert: 是否使用 PoSE 算法的数据处理，默认为 False。
  生成参数（GenerateArgument）

注：以下参数仅在eval_with_do_generation为 True，调用 model.generate()时生效。

  • top_k: “采样”策略中为 top-k 过滤保留的最高概率标记的数量。默认为1，等价于贪心策略。
  • top_p:“采样”策略中 top-p 过滤的累积概率。默认为1.0，表示不起作用。
  训练参数（TrainingArguments）

以下仅介绍 TrainingArguments 部分常用参数，详情请参见TrainingArguments 文档。

  • output_dir: 用于保存相关的文件目录，主要包括模型相关文件、训练过程中的 checkpoint、分词器相关文件、评估的结果文件，默认为 None。
  • per_device_train_batch_size: 训练集训练过程批处理大小，对应 micro batch size，默认为8。该参数需要根据具体的数据集来设定，该参数越大，占用显存越高，训练代价越大；反之，占用显存越小，训练速度越快。
  • gradient_accumulation_steps:梯度累积步数，顾名思义，就是将多次计算得到的梯度值进行累加，然后一次性进行参数更新，默认为1。等效于将原有训练 batch size*gradient_accumulation_steps。
  • per_device_eval_batch_size: 验证集批处理大小，对应 micro batch size，默认为8。该参数越大，占用显存越高；该参数越小，占用显存越低。
  • num_train_epochs:模型训练的轮次，默认为3。
  • learning_rate:优化器的初始学习率，默认为 5e-05。
  • warmup_steps: warmup 的步数，默认为0。当 warmup_steps>0时，会覆盖 warmup_ratio 的设置。
  • evaluation_strategy: 评估策略，默认为 no。"no"：训练期间不进行评估；"steps"：在每 eval_steps 结束进行；"epoch"：在每个 epoch 结束时进行。
  • save_strategy: 保存策略，默认为 no。"no"：训练期间不进行评估；"steps"：在每 eval_steps 结束进行；"epoch"：在每个 epoch 结束时进行。
  • fp16: 是否需要开启 FP16训练，开启 FP16训练可以加速训练，默认为 False。
  • bf16: 是否需要开启 BF16训练，开启 BF16训练可以加速训练，默认为 False。
  • fp16_opt_level: 可设置 O1或者 O2，在 O1 级别下，在白名单中的算子将使用 float16/bfloat16 计算，在黑名单中的算子将使用 float32 计算。在 O2 级别下，模型的参数被转换为 float16/bfloat16， 如果算子的浮点型输入全是 float16/bfloat16，算子才会采用 float16/bfloat16 计算，若任意浮点型输入是 float32 类型，算子将采用 float32 计算。默认为 O1。
  • do_train: 是否打开训练，默认为 False。
  • do_eval: 是否打开评估，默认为 False。
  • recompute: 重计算，暂支持 full 策略。开启后可降低显存以达到增大 batch size 的目的，默认为 False。
  • tensor_parallel_degree: 此参数 tensor_parallel_degree 表示将一层 transformer 结构的份数，该方法对通信开销较大, 建议 tensor_parallel_degree<=8, 尽量使用机器内部通信。默认为-1，表示不启用张量并行。
  • pipeline_parallel_degree: 表示划分流水线的大小.(假设该参数为4, 模型12层, 则每一个 pp stage 包含3层模型) 默认值-1, 表示不启用流水线并行。
  • sharding_parallel_degree: 表示分组参数切片的数据并行大小. 默认值1, 表示不启用分组参数切片的数据并行。
  • sharding:是否使用 Paddle 的 Sharding 数据并行功能，用户的参数。支持 sharding stage1, stage2 or stage3。其中stage2``stage3可以和offload组合使用。
  • optim:默认为adamw，支持adamw, adamw_mini。
  表征微调(ReFT)参数（ReftArgument）
  • model_name_or_path: 预训练模型名称或者本地的模型路径，用于热启模型和分词器，默认为 None。每个模型支持模型权重详见各模型目录。
  • layers: 干预模型的那些层，默认为 all, 干预所有层。
  • position: 干预哪些位置的 token，默认为 f7, 干预前7个 token。
  • intervention_type: 干预网络的类型，默认为 LoReftIntervention。
  • rank: 干预网络的低秩，默认为 8。
  • act_fn: 干预网络中的激活函数，默认为 linear。
  • add_bias: 干预网络中是否添加偏置，默认为 False。
  • dropout: 干预网络中的 Dropout rate，默认为 0.00。