使用LoRA对大语言模型LLaMA做Fine-tune

蒋含竹

已于 2024-01-24 18:04:55 修改

阅读量7.5k

点赞数 18

分类专栏： MachineLearning # PyTorch # LLM 文章标签：人工智能 LoRA Fine-tune PyTorch 大语言模型

于 2023-05-29 17:55:13 首次发布

本文链接：https://blog.csdn.net/alionsss/article/details/130930292

版权

MachineLearning 同时被 3 个专栏收录

41 篇文章 6 订阅

订阅专栏

PyTorch

12 篇文章 0 订阅

订阅专栏

LLM

3 篇文章 0 订阅

订阅专栏

使用LoRA对大语言模型LLaMA做Fine-tune

前言

目前有大量对LLM（大语言模型）做Fine-tune的方式，不过需要消耗的资源非常高，例如
- Stanford Alpaca: 对LLaMA-7B做Fine-tune，需要4颗A100 (80GB) GPU
- FastChat/Vicuna: 对LLaMA-7B做Fine-tune，需要4颗A100 (40GB) GPU
这种资源需求令普通的学习者望而却步，使用LoRA则可以较好的解决这个问题
LoRA全称为Low-Rank Adaptation of Large Language Models，是一种模拟Full Fine-tune的特殊方法：不改变原模型的情况下，在旁边增加一个降维和升维操作来模拟 intrinsic rank（模拟训练真正能影响模型效果的那些参数），从而达到和Full Fine-tune几乎一样的效果。（具体原理请自行查找。另外提一下：LoRA原本是用于LLM的，不过目前在StableDiffusion上也得到了非常好的应用。）
LoRA 的最大优势是训练参数少、速度快、内存消耗少。例如Alpaca-LoRA使用一颗RTX 4090即可实现对LLaMA-7B的Fine-tune，目前也有很多网友使用单颗RTX 4070 Ti、RTX 4080完成过训练。
下面就来说说整个训练过程。

我使用的设备是3颗老旧的Tesla T4（不要问我为什么用推理专用GPU做训练），信息如下

(base) [root@xxx-yyy-gpu ~]# nvidia-smi 
Mon May 29 16:29:50 2023       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.91.03    Driver Version: 460.91.03    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            Off  | 00000000:3B:00.0 Off |                    0 |
| N/A   31C    P8     8W /  70W |      0MiB / 15109MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   1  Tesla T4            Off  | 00000000:AF:00.0 Off |                    0 |
| N/A   32C    P8     9W /  70W |      0MiB / 15109MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
|   2  Tesla T4            Off  | 00000000:D8:00.0 Off |                    0 |
| N/A   31C    P8     9W /  70W |      0MiB / 15109MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

理论上2颗Tesla T4也行 😃

下载

LLaMA模型文件（decapoda-research/llama-7b-hf，非MetaAI官方）
- 下载地址：
  - 老地址： ~~https://huggingface.co/decapoda-research/llama-7b-hf/tree/main~~
  - 新地址：https://huggingface.co/baffo32/decapoda-research-llama-7B-hf/tree/main
- 点击下载按钮即可（每个文件），全部保存到同一个目录。
- 如果你的环境是联网的，可以不手动下载，后续会在运行训练阶段自动下载
Alpaca-LoRA项目
- 地址：https://github.com/tloen/alpaca-lora
- 下载该项目代码，我们需要使用到该项目写好的finetune.py、generate.py代码
- 稍后还需安装该项目下requirements.txt中的依赖
训练用的数据集
- 地址：https://github.com/LC1332/Chinese-alpaca-lora/tree/main/data
- 下载trans_chinese_alpaca_data.json文件，这是该项目翻译为中文的对话数据
- 你也可以按照该格式构建出自己的数据集，做出自己的专业领域模型（例如中文医学对话）
Anaconda、Python、PyTorch
- Anaconda 是Python虚拟环境管理工具，我用的 Miniconda，请自行安装
- Python 用的3.9版本，先不下载，等下用conda创建
- PyTorch 用的1.13.1版本，先不下载，等下安装

配置环境

安装Python、PyTorch
- 利用Miniconda创建Python虚拟环境，命令$ conda create -n alpaca python=3.9
- 进入该环境，命令$ conda activate alpaca
- 安装PyTorch，命令如下（二选一）
  - Conda方式：$ conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia
  - Pip方式：$ pip3 install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
安装项目的Python依赖
- 在刚才新创建的Python虚拟环境alpaca中，如果直接安装alpaca-lora项目下的requirements.txt，可能会漏掉一些依赖包。你可以试试，操作如下
  - 进入到alpaca-lora项目目录下，命令$ pip install -r requirements.txt
- 建议直接这样安装，命令$ pip install accelerate appdirs loralib black datasets fire peft==0.3.0 transformers==4.29.2 sentencepiece gradio==3.32.0 scipy bitsandbytes==0.37.2
- 注意看requirements.txt文件中的描述，transformers需要>=4.28.0，太高也会出问题，建议用4.29.2。另外，bitsandbytes的版本不要用0.38.x，会报OOM，建议用0.37.2，但是又可能会出现其他错误（0.38.x修复了这个问题，解决方式见文末）。peft库的官方代码也在经常变动，我目前使用的是0.3.0，建议保持一致。
- transformers库用于加载、训练、保存模型，peft库则是用于帮助你使用LoRA的
准备好资源
- 请将下载好的“LLaMA模型文件”放置一个文件夹内（没下载就不管，等下会自动下），如/root/.cache/huggingface/hub/models--decapoda-research--llama-7b-hf
- 请将下载好的“Alpaca-LoRA项目”放置一个文件夹内，如/home/gpt/alpaca-lora
- 请将下载好的“训练用的数据集”放置一个文件夹内，如/home/gpt/data/trans_chinese_alpaca_data.json

模型的训练 Fine-tune

进入到Alpaca-LoRA项目目录下，如/home/gpt/alpaca-lora
若是单个显卡，训练命令样例如下
```
nohup python \
finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path '/home/gpt/data/trans_chinese_alpaca_data.json' \
--output_dir './my_model_save' \
--batch_size 128 \
--micro_batch_size 2 \
--num_epochs 2 \
--learning_rate 3e-4 \
1>train.log 2>&1 &
```
- --base_model 是预训练模型LLaMA在huggingface的标识或本地存储路径
- --data_path 是训练用的数据的路径
- --output_dir 是训练完成后模型的保存路径
- --micro_batch_size 是微批次的大小，会通过梯度累积的方式来节省显存。越大占用显存越高，请根据你的情况调整。
- --batch_size
- --num_epochs 是训练轮数，2~3个epoch基本上可以达到较好的效果
- --learning_rate 是训练时的学习率，3e-4即0.0003
- nohup和1>train.log 2>&1 & ：1>train.log 2>&1用于将所有训练信息输出到train.log文件，方便后面查看。同时，利用nohup和&可以让程序置于后台运行，以防止shell连接突然断掉导致程序结束（因为训练时间很长）。（另外提一下：使用nohup后，最好手动exit退出下终端，因为非正常退出可能会导致程序终止）

若是多个显卡，训练命令样例如下

WORLD_SIZE=3 CUDA_VISIBLE_DEVICES=0,1,2

nohup torchrun \
--nproc_per_node=3 \
--master_port=1234 \
finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path '/home/gpt/data/trans_chinese_alpaca_data.json' \
--output_dir './my_model_save' \
--batch_size 128 \
--micro_batch_size 2 \
--num_epochs 2 \
--learning_rate 3e-4 \
1>train.log 2>&1 &

WORLD_SIZE 是全局进程数（一般一个显卡对应一个进程）
CUDA_VISIBLE_DEVICES 是具体的几张显卡的ID
--nproc_per_node 是每个物理节点上面进程的数量

环境有网络的话，正常情况下会自动下载LLaMA模型文件，接着就开始训练了
如果没网，但之前单独下载了LLaMA模型文件，需要
- 设置transformers、datasets库的离线模式，在SHELL中添加变量，命令$ HF_DATASETS_OFFLINE=1 TRANSFORMERS_OFFLINE=1
- 指定LLaMA模型文件路径，例如将--base_model 'decapoda-research/llama-7b-hf'改为--base_model '/root/.cache/huggingface/hub/models--decapoda-research--llama-7b-hf'

我因为一些特殊情况，训练时必须离线，所以我的最终命令如下

WORLD_SIZE=3 CUDA_VISIBLE_DEVICES=0,1,2 HF_DATASETS_OFFLINE=1 TRANSFORMERS_OFFLINE=1 

nohup torchrun \
--nproc_per_node=3 \
--master_port=1234 \
finetune.py \
--base_model '/root/.cache/huggingface/hub/models--decapoda-research--llama-7b-hf' \
--data_path '/home/gpt/data/trans_chinese_alpaca_data.json' \
--output_dir './my_model_save' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
1>train.log 2>&1 &

训练过程的输出，样例如下（当--num_epochs 3、--micro_batch_size 4时）
训练结果模型文件，样例如下
设备监控信息，样例如下（用的 nvitop 命令，需要单独安装pip3 install --upgrade nvitop）
- 当--micro_batch_size 2时
- 当--micro_batch_size 4时

模型的使用 Inference

训练完成后会在my_model_save目录下生成文件，包括adapter_config.json、adapter_model.bin和一系列checkpoint文件。（见上面的截图）
选择最新的checkpoint文件夹（如 checkpoint-1200），将其中的pytorch_model.bin文件拷贝到my_model_save目录下，并重命名为adapter_model.bin
做推断时需要的文件包括原始LLaMA-7B文件，以及my_model_save目录下的adapter_config.json、adapter_model.bin文件

下面启动推断服务，命令样例如下

WORLD_SIZE=3 CUDA_VISIBLE_DEVICES=0,1,2

python generate.py \
--base_model "decapoda-research/llama-7b-hf" \
--lora_weights './my_model_save' \
--load_8bit

我是在本离线使用的，所以我的命令如下

WORLD_SIZE=3 CUDA_VISIBLE_DEVICES=0,1,2 HF_DATASETS_OFFLINE=1 TRANSFORMERS_OFFLINE=1 

python generate.py \
--load_8bit \
--base_model "/root/.cache/huggingface/hub/models--decapoda-research--llama-7b-hf" \
--lora_weights '/home/gpt/alpaca-lora/my_model_save/'

infer

因为集成了 gradio，我们可以直接在Web界面访问（http://IP:7860），样例如下
因为训练用的数据是翻译的，质量还有些问题，会导致部分回答不佳，还需要提高数据集的质量。(Open Assistant应该是一个不错的选择)
预测过程中GPU的监控信息如下

参考

Alpaca-LoRA: https://github.com/tloen/alpaca-lora
Stanford Alpaca: https://github.com/tatsu-lab/stanford_alpaca
Chinese-alpaca-lora: https://github.com/LC1332/Chinese-alpaca-lora
FastChat: https://github.com/lm-sys/FastChat

问题汇总

关于bitsandbytes导致的问题（2023-05-30记录）
- 目前bitsandbytes 0.37.2可能会出现找不到当前需要使用的cuda的版本的问题（如果你用conda安装pytorch的话）bitsandbytes doesn’t work#452
- 在bitsandbytes 0.38.x中已经修复了该问题，不过又会出现OOM的问题 New OOM bug introduced in bitsandbytes 0.38.x?#324，并且最新的0.39.0也还没修复这个问题
- 所以就非常矛盾，需要我们改下bitsandbytes的python源码
- 找到你在conda中安装的bitsandbytes库的位置，编辑下面的./cuda_setup/main.py文件，例如$ vim /root/anaconda3/envs/alpaca/lib/python3.9/site-packages/bitsandbytes/cuda_setup/main.py
  - 找到这行代码 if not torch.cuda.is_available(): return 'libsbitsandbytes_cpu.so', None, None, None, None
  - 修改为 if torch.cuda.is_available(): return 'libbitsandbytes_cuda117.so', None, None, None, None（cuda117改成你自己的cuda版本即可）
- 执行 $ python -m bitsandbytes，进行测试，如果最后输出如下内容，就没问题了
```
......

Running a quick check that:
    + library is importable
    + CUDA function is callable

SUCCESS!
Installation was successful!
```

蒋含竹

关注

18
点赞
踩
44

收藏

觉得还不错? 一键收藏
13
评论
使用LoRA对大语言模型LLaMA做Fine-tune

目前有大量对LLM（大语言模型）做Fine-tune的方式，不过需要消耗的资源非常高，例如Stanford Alpaca: 对LLaMA-7B做Fine-tune，需要4颗A100 (80GB) GPUFastChat/Vicuna: 对LLaMA-7B做Fine-tune，需要4颗A100 (40GB) GPU这种资源需求令普通的学习者望而却步，使用LoRA则可以较好的解决这个问题LoRA全称为。
复制链接

扫一扫