高效微调神器：LLaMA工具，一键优化ChatGLM-2、LLaMA-2等大模型

最新推荐文章于 2024-08-03 09:00:00 发布
最新推荐文章于 2024-08-03 09:00:00 发布
阅读量660 收藏 10
点赞数 22
文章标签： llama
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lazycatlove/article/details/140236798
版权

LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM-2/LLaMA-2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO 训练+DPO 训练】)的简介、安装、使用方法之详细攻略

目录

相关文章

LLMs之ChatGLM：ChatGLM Efficient Tuning(一款高效微调ChatGLM-6B/ChatGLM2-6B的工具【LoRA/P-Tuning V2/Freeze Tuning/全量微调】)的简介、安装、使用方法之详细攻略

LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM2/LLaMA2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO 训练+DPO 训练】)的简介、安装、使用方法之详细攻略

LLaMA Efficient Tuning的简介

1、支持的模型

2、支持的训练方法

3、可使用的数据集：用于预训练、用于指令监督微调、用于奖励模型或 DPO训练

LLaMA Efficient Tuning的的安装

1、配置环境依赖

(1)、Python依赖

2、环境搭建

3、数据准备：构建自定义数据集

4、微调/测试

(1)、浏览器一键微调/测试

(2)、单 GPU 训练：预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练

(3)、多 GPU 分布式训练：T1、使用 Huggingface Accelerate、T2、使用 DeepSpeed

5、多种推理方式：API、CLI、GUI

6、指标评估、模型预测

7、导出微调模型

LLaMA Efficient Tuning的使用方法

相关文章

LLMs之ChatGLM：ChatGLM Efficient Tuning(一款高效微调ChatGLM-6B/ChatGLM2-6B的工具【LoRA/P-Tuning V2/Freeze Tuning/全量微调】)的简介、安装、使用方法之详细攻略

https://yunyaniu.blog.csdn.net/article/details/131427931

LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM2/LLaMA2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO 训练+DPO 训练】)的简介、安装、使用方法之详细攻略

https://yunyaniu.blog.csdn.net/article/details/132012771

LLaMA Efficient Tuning的简介

2023年6月发布的LLaMA Efficient Tuning，它是一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM2/LLaMA2/Baichuan等】的高效工具，包括预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练等功能。目前该项目仍在持续更新。

官方地址
：

GitHub - hiyouga/LLaMA-Efficient-Tuning: Easy-to-use LLM fine-tuning framework (LLaMA-2, BLOOM, Falcon, Baichuan, Qwen, ChatGLM2)

1、支持的模型

模型名模型大小默认模块Template
LLaMA7B/13B/33B/65Bq_proj,v_proj-
LLaMA-27B/13B/70Bq_proj,v_projllama2
BLOOM560M/1.1B/1.7B/3B/7.1B/176Bquery_key_value-
BLOOMZ560M/1.1B/1.7B/3B/7.1B/176Bquery_key_value-
Falcon7B/40Bquery_key_value-
Baichuan7B/13BW_packbaichuan
InternLM7Bq_proj,v_projintern
Qwen7Bc_attnchatml
XVERSE13Bq_proj,v_projxverse
ChatGLM26Bquery_key_valuechatglm2
  • 默认模块
    是
    --lora_target
    参数的部分可选项。请使用
    python src/train_bash.py -h
    查看全部可选项。
  • 对于所有“基座”（Base）模型，
    --template
    参数可以是
    default
    ,
    alpaca
    ,
    vicuna
    等任意值。但“对话”（Chat）模型请务必使用对应的模板。

2、支持的训练方法

方法全参数训练部分参数训练LoRAQLoRA
预训练✅✅✅✅
指令监督微调✅✅✅✅
奖励模型训练✅✅
PPO 训练✅✅
DPO 训练✅✅✅
  • 使用
    --quantization_bit 4/8
    参数来启用 QLoRA 训练。

3、可使用的数据集：用于预训练、用于指令监督微调、用于奖励模型或 DPO训练

使用方法请参考
data/README.md
文件。

部分数据集的使用需要确认，我们推荐使用下述命令登录您的 Hugging Face 账户。

pip install --upgrade huggingface_hub

huggingface-cli login

LLaMA Efficient Tuning的的安装

1、配置环境依赖

(1)、Python依赖
Python依赖Python 3.8+, PyTorch 1.13.1 Transformers, Datasets, Accelerate, PEFT, TRL protobuf, cpm-kernels, sentencepiece jieba, rouge-chinese, nltk（用于评估） gradio, matplotlib（用于网页端交互） uvicorn, fastapi, sse-starlette（用于 API）

2、环境搭建

通用git clone https://github.com/hiyouga/LLaMA-Efficient-Tuning.git conda create -n llama_etuning python=3.10 conda activate llama_etuning cd LLaMA-Efficient-Tuning pip install -r requirements.txt
Windows平台+QLoRA如果要在 Windows 平台上开启量化 LoRA（QLoRA），需要安装预编译的 bitsandbytes 库, 支持 CUDA 11.1 到 12.1. pip install https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.39.1-py3-none-win_amd64.whl

3、

数据准备
：构建自定义数据集

关于数据集文件的格式，请参考 data/example_dataset 文件夹的内容。构建自定义数据集时，既可以使用单个 .json 文件，也可以使用一个
数据加载脚本
和多个文件。

注意：使用自定义数据集时，请更新 data/dataset_info.json 文件，该文件的格式请参考 data/README.md。

源代码地址
：

https://github.com/hiyouga/LLaMA-Efficient-Tuning/blob/main/data/dataset_info.json

# 定位到数据集文件目录(data/dataset_info.json )修改对应的配置信息
{
  "dataset_DIY": {
    "file_name": "dataset_DIY.json",
    # "file_sha1": "607f94a7f581341e59685aef32f531095232cf23"
  },

4、

微调/测试

(1)、浏览器一键微调/测试
浏览器一键微调/测试CUDA_VISIBLE_DEVICES=0 python src/train_web.py 我们极力推荐新手使用浏览器一体化界面，因为它还可以 自动 生成运行所需的命令行脚本。 目前网页 UI 仅支持 单卡训练 。
(2)、

单 GPU 训练：预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练

预训练预训练 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage pt \ --model_name_or_path path_to_llama_model \ --do_train \ --dataset wiki_demo \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --output_dir path_to_pt_checkpoint \ --overwrite_cache \ --per_device_train_batch_size 4 \ – gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 5e-5 \ --num_train_epochs 3.0 \ --plot_loss \ --fp16
指令监督微调指令监督微调 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage sft \ --model_name_or_path path_to_llama_model \ --do_train \ --dataset alpaca_gpt4_zh \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --output_dir path_to_sft_checkpoint \ --overwrite_cache \ --per_device_train_batch_size 4 \ – gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 5e-5 \ --num_train_epochs 3.0 \ --plot_loss \ --fp16
奖励模型训练奖励模型训练 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage rm \ --model_name_or_path path_to_llama_model \ --do_train \ --dataset comparison_gpt4_zh \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --resume_lora_training False \ --checkpoint_dir path_to_sft_checkpoint \ --output_dir path_to_rm_checkpoint \ --per_device_train_batch_size 2 \ – gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 1e-6 \ --num_train_epochs 1.0 \ --plot_loss \ --fp16
PPO 训练PPO 训练 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage ppo \ --model_name_or_path path_to_llama_model \ --do_train \ --dataset alpaca_gpt4_zh \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --resume_lora_training False \ --checkpoint_dir path_to_sft_checkpoint \ --reward_model path_to_rm_checkpoint \ --output_dir path_to_ppo_checkpoint \ --per_device_train_batch_size 2 \ – gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 1e-5 \ --num_train_epochs 1.0 \ --plot_loss
DPO 训练DPO 训练 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage dpo \ --model_name_or_path path_to_llama_model \ --do_train \ --dataset comparison_gpt4_zh \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --resume_lora_training False \ --checkpoint_dir path_to_sft_checkpoint \ --output_dir path_to_dpo_checkpoint \ --per_device_train_batch_size 2 \ – gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 1e-5 \ --num_train_epochs 1.0 \ --plot_loss \ --fp16
(3)、

多 GPU 分布式训练：T1、使用 Huggingface Accelerate、T2、使用 DeepSpeed

T1、使用 Huggingface Accelerateaccelerate config # 首先配置分布式环境 accelerate launch src/ train_bash.py # 参数同上 使用 DeepSpeed ZeRO-2 进行全参数微调的 Accelerate 配置示例 compute_environment: LOCAL_MACHINE deepspeed_config: gradient_accumulation_steps: 4 gradient_clipping: 0.5 offload_optimizer_device: none offload_param_device: none zero3_init_flag: false zero_stage: 2 distributed_type: DEEPSPEED downcast_bf16: ‘no’ machine_rank: 0 main_training_function: main mixed_precision: fp16 num_machines: 1 num_processes: 4 rdzv_backend: static same_network: true tpu_env: [] tpu_use_cluster: false tpu_use_sudo: false use_cpu: false
T2、使用 DeepSpeeddeepspeed --num_gpus 8 --master_port=9901 src/train_bash.py \ --deepspeed ds_config.json \ … # 参数同上 使用 DeepSpeed ZeRO-2 进行全参数微调的 DeepSpeed 配置示例 { “train_micro_batch_size_per_gpu”: “auto”, “gradient_accumulation_steps”: “auto”, “gradient_clipping”: “auto”, “zero_allow_untested_optimizer”: true, “fp16”: { “enabled”: “auto”, “loss_scale”: 0, “initial_scale_power”: 16, “loss_scale_window”: 1000, “hysteresis”: 2, “min_loss_scale”: 1 }, “zero_optimization”: { “stage”: 2, “allgather_partitions”: true, “allgather_bucket_size”: 5e8, “reduce_scatter”: true, “reduce_bucket_size”: 5e8, “overlap_comm”: false, “contiguous_gradients”: true } }

5、多种推理方式：API、CLI、GUI

API 服务API 服务 python src/api_demo.py \ --model_name_or_path path_to_llama_model \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint 关于 API 文档请见 http://localhost:8000/docs。
命令行测试命令行测试 python src/cli_demo.py \ --model_name_or_path path_to_llama_model \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint
浏览器测试浏览器测试 python src/web_demo.py \ --model_name_or_path path_to_llama_model \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint

6、指标评估、模型预测

指标评估指标评估（BLEU 分数和汉语 ROUGE 分数） CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage sft \ --model_name_or_path path_to_llama_model \ --do_eval \ --dataset alpaca_gpt4_zh \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint \ --output_dir path_to_eval_result \ --per_device_eval_batch_size 8 \ --max_samples 100 \ --predict_with_generate 我们建议在量化模型的评估中使用 --per_device_eval_batch_size=1 和 --max_target_length 128。
模型预测模型预测 CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --stage sft \ --model_name_or_path path_to_llama_model \ --do_predict \ --dataset alpaca_gpt4_zh \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint \ --output_dir path_to_predict_result \ --per_device_eval_batch_size 8 \ --max_samples 100 \ --predict_with_generate

7、导出微调模型

导出微调模型导出微调后的模型 python src/export_model.py \ --model_name_or_path path_to_llama_model \ --template default \ --finetuning_type lora \ --checkpoint_dir path_to_checkpoint \ --output_dir path_to_export

LLaMA Efficient Tuning
的使用方法

更新中……

lazycatlove
关注
大模型微调部署实战及类GPT工具的高效使用
herosunly的博客
07-24 7万+
本文主要介绍了专栏《大模型微调部署实战及类GPT工具的高效使用》的核心内容，希望对使用大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 专栏亮点 3. 你的收获 4. 详细目录
大语言模型的学习路线和开源模型的学习材料《一》
11-01 727
【LLMs 入门实战】 ChatGLM3 模型学习与实战【LLMs 入门实战】 ChatGLM3 模型微调学习与实战【ChatGLM2-6B入门】清华大学开源中文版ChatGLM-6B模型学习与实战【关于 ChatGLM2 + LoRA 进行finetune 】那些你不知道的事【LLMs 入门实战 】基于 🤗PEFT 的高效 🤖ChatGLM2-6B 微调【LLMs 入门实战】基于 🤗QLoRA 的高效 🤖ChatGLM2-6B 微调【LLMs 入门实战】 QLoRA微调Llama2 模型学习与实战
Data efficient &parameter efficient tuning 助教 姜成翰
linyuxi_loretta的博客
10-28 744
embedding layer就是把离散的token转换成连续的向量，这些向量就会被丢到一层又一层的transformer，每层的transformer就会抽出每一个token对应的embedding，到最后一层就会抽出最凶的embedding。self-supervised learning这是最近几年窜出来的一个名词，没有一个明确的定义，大概想法是：预测input的某一部分，给定其他的部分。与其让model 隐性的学到multi-task的能力，不如让model主动具备这样的能力。
LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM-2/LLaMA-2/Baichuan等】的高效工具【预训练+指令监督微
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-30 5725
​ LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM-2/LLaMA-2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO 训练+DPO 训练】)的简介、安装、使用方法之详细攻略 目录 相关文章 LLaMA Efficient Tuning的简介 LLaMA Efficient Tuning的的安装 ChatGLM Efficient Tuning的使用方法
如何定量分析 Llama 3，大模型系统工程师视角的 Transformer 架构
最新发布
2401_84204207的博客
08-03 856
上面我们介绍了原始版本的 Transformer 架构设计，接下来我们来讨论 Transformer 的几个变种，为大家简单分析下不同的变种分别在哪一层对进行了调整，每一次的调整改变了哪些维度，并评估下改变的量级。通过这样的方式，也帮助大家在后续分析 Transformer 的一些新论文或者新结构的时候自行进行分析。
LLaMA Efficient Tuning
小田的笔记簿
01-09 1575
LLaMA Efficient Tuning 安装 数据准备 浏览器一体化界面 单 GPU 训练 train_bash 1、预训练 pt 2、指令监督微调 sft 3、奖励模型训练 rm 4、PPO 训练 ppo 5、DPO 训练 dpo 多 GPU 分布式训练 1、使用 Huggingface Accelerate 2、使用 DeepSpeed 导出微调后的模型 export_model.py API 服务 api_demo.py 命令行测试 cli_demo.py 浏览器测试 web_demo.py 指
LLaMA-Adapter: Efficient Fine-tuning of Language Models with Zero-init Attention
kebijuelun的博客
04-03 1491
方法对过拟合问题较为鲁棒，训练 60 epoch 情况下 acc 是最高的。增加 adapter 的训练层数，可以看到增加更多训练层的精度会更好。零初始化的提升也很明显。
LLMs-入门四：基于LLaMA-Efficient-Tuning对LLMs做微调
Josong的博客
10-07 875
如何在Colab/JupyterLab等平台中运用自己的资料集微调（fine-tuning） Llama-2-7b 模型呢？源码地址：https://github.com/hiyouga/LLaMA-Efficient-Tuning本文以微调为示例进行介绍。下面先介绍一下微调主要参数的含义--fp16。
预训练模型-代码补全（二）：Copilot（GitHub）
u013250861的博客
12-07 1787
​ GitHub Copilot是一个为开发者提供的突破性的AI编程辅助工具，但这才是开始。昨天，Copilot团队推出了一个名为GitHub Copilot Labs的VS Code配套扩展。它独立于（并依赖于）GitHub Copilot扩展。它可以用来解释代码和翻译代码。Copilot Labs的本质是实验性的，所以偶尔会出现一些问题。但是会提供非常新的功能和idea，需要注意的是实验室的实验可能会也可能不会成为GitHub Copilot的永久性功能。目前，Copilot Labs插件提供两个重磅能
智能语音问答机器人本地部署win10--2024最新版（faster-whisper + Qwen1.5 + ChatTTS）
imok1234567的博客
08-02 1111
本项目旨在实现一个智能语音问答机器人的本地部署，采用Windows 10操作系统，并集成了最新的语音识别和生成技术。通过结合faster-whisper、Qwen1.5和ChatTTS三大模块，机器人能够高效地进行语音识别、自然语言处理和语音合成，为用户提供流畅的语音问答体验。
NLP神器Transformers入门简单概述
CDBmax的博客
03-07 1238
🤗 Transformers 提供了易于使用的 API 和工具，使得下载和训练前沿的预训练模型变得轻而易举。下表展示了库对每种模型的当前支持情况，包括它们是否有 Python 分词器（称为“慢”分词器）、由 🤗 Tokenizers 库支持的“快”分词器、以及它们在 Jax（通过 Flax）、PyTorch 和/或 TensorFlow 中的支持情况。无论你是研究人员、开发者还是AI爱好者，🤗 Transformers 都能帮助你推动项目的进展，实现惊人的成果。
LLama-Efficient-Tuning源码解析 src/llmtuner/hparams/generating_args.py
人工智能曾小健
09-10 312
的数据类，该类主要用于配置解码参数。这些参数可能与自然语言处理任务中的文本生成有关，如用于指定解码策略（贪婪解码、采样、束搜索等）。整体来说，这段代码定义了一个名为。
LLaMA-Adapter: Efficient Fine-tuning of Language Models with Zero-into Attention论文解读
Hanze的博客
04-18 965
为了避免在训练初期的噪声，修改插入层的普通注意机制为零初始注意力，有一个可学习的门控因素。作者把原始的Vanilla Attention换成了 Zero-init Attention，为了减少噪声，作者引入了一个可学习的Zero Gating，把它初始化为零，与前缀做乘法。如上图，在原始方法中，预测黄色的token，需要考虑黄色与它的前面所有的token，当给这一层网络加上前缀后（采用随机初始化），在模型训练初期，可能会引入噪声，造成前期训练不稳定。作者认为以这种方法，Pl可以高效的指导每层Tl的输出。
轻量化微调 Parameter-Efficient Fine-Tuning
weixin_48185819的博客
04-25 3480
导读 近年来，大规模预训练模型在自然语言处理任务上取得了巨大的成功。对预先训练好的语言模型进行微调是目前自然语言处理任务中的普遍范式，在许多下游任务上表现出了极好的性能。全参数微调，即对模型的所有参数进行训练，是目前将预训练模型应用到下游任务的最通用方法。 然而，全微调的一大弊病是对于每一个任务，模型均需要保留一份大规模的参数备份，在下游任务量很大时这种做法会相当昂贵。在预训练模型越来越大，不断逼近到千亿甚至万亿参数规模时，这种问题会被无限放大。 轻量化微调(Parameter-Efficient F
ChatGLM Efficient Tuning效率调试PEFT
人工智能曾小健
06-21 1485
基于的高效微调。| 中文 ]
LLaMA, ChatGLM, BLOOM的参数高效微调实践
AI生成式技术曾小健
06-16 1194
本文首先从训练数据、tokenizer和模型结构细节上对比了LLaMA、ChatGLM和BLOOM这三个主流的开源大语言模型，并介绍了这三个基座模型的衍生模型；接着详细介绍了不同大语言模型在tokenizer、layer normalization、激活函数和位置编码的模型细节；然后讲述了prompt tuning、prefix tuning、LLaMA- adapter和LoRA这些参数高效微调方法；最后对比了不同基座语言模型和不同微调方法的效果。
Parameter-Efficient Fine-tuning 相关工作梳理
Paper weekly
03-19 2792
©PaperWeekly 原创 ·作者 |避暑山庄梁朝伟研究方向 |自然语言处理背景随着计算算力的不断增加，以 transformer 为主要架构的预训练模型进入了百花齐放的时代。看...
Chatglm2使用及微调教程
benben044的专栏
07-20 4018
chatglm2是清华大学的，比较好的LLM大语言模型。本教程主要是提供使用及微调的方法，适合linux上开发。
【(强推)李宏毅2021/2022春机器学习课程】2022-如何有效的使用自监督模型-Data-Efficient &Parameter-Efficient Tuning
py今天刷题了吗
04-23 1451
文章目录1. self-pretrain是什么2. 存在问题3. Data-Efficient Fine-tuning：Prompt Tuning（提示，更有效地利用数据，比如数据量少的情况下）数据量更少4. Data-Efficient Fine-tuning：Semi-supervised Learning（半监督）5. zero-shot6. PLMs Are Gigantic -> Reducing the Number of Parameters（对于model很大的时候的解决方法）Para
中文LLaMA-2 & Alpaca-2大模型升级：64K上下文支持
优化后的中文LLaMA-2 & Alpaca-2大模型在许多中文处理相关的任务中都有着潜在的应用，如智能客服、自动翻译、内容审核、文本生成和对话系统等。强大的中文理解和指令执行能力，加上超长上下文处理能力，使得这些模型...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值