4.6 4bit量化与QLoRA模型训练-CSDN博客

本文链接：https://blog.csdn.net/a131529/article/details/143060583

1 量化的本质：

4bit表示的范围是[-128,127]

2 4bit量化：

4bit表示的范围是[-8,7]

3 线性量化：

量化效果和数据的分布方式息息相关

4 QLoRA:

QLoRA 的核心思想是在大型语言模型的微调过程中，采用 4-bit 量化 来压缩模型的权重，从而减少显存的占用，并使用 LoRA 技术来对模型进行微调。

具体来讲，QLoRA实现了3件事儿，分别是：

NF4量化
双重量化
分页优化器

4.1 NF4量化

4.1.1 分位数量化：

4.1.2 完整实例：

看了上面那么多，可能有点懵，其实看下面这个例子即可：

先对原始数据进行归一化；
接着将其与NF4进行匹配得到临近表示；
再将其按表中顺序映射为[0,15]即可。

4.2 双重量化：

4.3 分页优化器：

5 代码实战演练：

5.1 导包

from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, DataCollatorForSeq2Seq, TrainingArguments, Trainer

5.2 加载数据集

ds = Dataset.load_from_disk("../data/alpaca_data_zh/")
ds

5.3 数据集处理

tokenizer = AutoTokenizer.from_pretrained("D:/Pretrained_models/modelscope/Llama-2-7b-ms")
tokenizer

tokenizer.padding_side = "right"  # 一定要设置padding_side为right，否则batch大于1时可能不收敛

tokenizer.pad_token_id = 2 # 半精度训练时，正确加入eos_token后，要将pad_token_id也设置为eos_token_id，否则会因为溢出问题导致模型无法正常收敛

def process_func(example):
    MAX_LENGTH = 384    # Llama分词器会将一个中文字切分为多个token，因此需要放开一些最大长度，保证数据的完整性
    input_ids, attention_mask, labels = [], [], []
    instruction = tokenizer("\n".join(["Human: " + example["instruction"], example["input"]]).strip() + "\n\nAssistant: ", add_special_tokens=False)
    response = tokenizer(example["output"], add_special_tokens=False)
    input_ids = instruction["input_ids"] + response["input_ids"] + [tokenizer.eos_token_id]
    attention_mask = instruction["attention_mask"] + response["attention_mask"] + [1]
    labels = [-100] * len(instruction["input_ids"]) + response["input_ids"] + [tokenizer.eos_token_id]
    if len(input_ids) > MAX_LENGTH:
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]
    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }

tokenized_ds = ds.map(process_func, remove_columns=ds.column_names)
tokenized_ds

5.4 创建模型

import torch
# 多卡情况，可以去掉device_map="auto"，否则会将模型拆开
model = AutoModelForCausalLM.from_pretrained("D:/Pretrained_models/modelscope/Llama-2-13b-ms", low_cpu_mem_usage=True, 
                                             torch_dtype=torch.bfloat16, device_map="auto", load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16,
                                             bnb_4bit_quant_type="nf4", bnb_4bit_use_double_quant=True)

bnb_4bit_quant_type="nf4"：指定了使用 NF4 量化类型

bnb_4bit_use_double_quant=True：这个参数启用了 双重量化

bnb_4bit_compute_dtype=torch.bfloat16：电脑的卡较好情况下可以使用bfloat16，不太好就可以使用FP16，FP16有时候会出现一些溢出的问题

两者的区别：

for name, parameter in model.named_parameters():
    print(name)

model.config

5.4.1 配置文件

from peft import LoraConfig, TaskType, get_peft_model

config = LoraConfig(task_type=TaskType.CAUSAL_LM)
config

5.4.2 构建模型

model = get_peft_model(model, config)

model.enable_input_require_grads() # 开启梯度检查点时，要执行该方法

model.print_trainable_parameters()

5.5 配置训练参数

args = TrainingArguments(
    output_dir="./chatbot",
    per_device_train_batch_size=1,
    gradient_accumulation_steps=32,
    logging_steps=10,
    num_train_epochs=1,
    gradient_checkpointing=True,
    optim="paged_adamw_32bit"
)

optim="paged_adamw_32bit"：使用32位分页优化器

5.6 创建训练器

trainer = Trainer(
    model=model,
    args=args,
    train_dataset=tokenized_ds.select(range(6000)),
    data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),
)

数据集较大，这里只选前6000条做训练

5.7 模型训练

trainer.train()

5.8 模型推理

model.eval()
ipt = tokenizer("Human: {}\n{}".format("你好", "").strip() + "\n\nAssistant: ", return_tensors="pt").to(model.device)
tokenizer.decode(model.generate(**ipt, max_length=512, do_sample=True, eos_token_id=tokenizer.eos_token_id)[0], skip_special_tokens=True)