LLaMA3继续预训练代码学习

源码来自于中文LLaMA3

1.基础损失计算

def accuracy(predictions, references, normalize=True, sample_weight=None):
    return {
        "accuracy": float(
            accuracy_score(references, predictions, normalize=normalize, sample_weight=sample_weight)
        )
    }


def compute_metrics(eval_preds):
    preds, labels = eval_preds
    # preds have the same shape as the labels, after the argmax(-1) has been calculated
    # by preprocess_logits_for_metrics but we need to shift the labels
    labels = labels[:, 1:].reshape(-1)
    preds = preds[:, :-1].reshape(-1)
    return accuracy(predictions=preds, references=labels)


def preprocess_logits_for_metrics(logits, labels):
    if isinstance(logits, tuple):
        # Depending on the model and config, logits may contain extra tensors,
        # like past_key_values, but logits always come first
        logits = logits[0]
    return logits.argmax(dim=-1)

以上部分为模型forward后的取值与训练样本的实际值计算损失部分，不做具体阐述，详情阅读chatgpt

2.数据预处理

def fault_tolerance_data_collator(features: List) -> Dict[str, Any]:
    if not isinstance(features[0], Mapping):
        features = [vars(f) for f in features]
    first = features[0]
    batch = {}

    # Special handling for labels.
    # Ensure that tensor is created with the correct type
    # (it should be automatically the case, but let's make sure of it.)
    if "label" in first and first["label"] is not None:
        label = first["label"].item() if isinstance(first["label"], torch.Tensor) else first["label"]
        dtype = torch.long if isinstance(label, int) else torch.float
        batch["labels"] = torch.tensor([f["label"] for f in features], dtype=dtype)
    elif "label_ids" in first and first["label_ids"] is not None:
        if isinstance(first["label_ids"], torch.Tensor):
            batch["labels"] = torch.stack([f["label_ids"] for f in features])
        else:
            dtype = torch.long if isinstance(first["label_ids"][0], int) else torch.float
            batch["labels"] = torch.tensor([f["label_ids"] for f in features], dtype=dtype)

    # Handling of all other possible keys.
    # Again, we will use the first element to figure out which key/values are not None for this model.

    try:
        for k, v in first.items():
            if k not in ("label", "label_ids") and v is not None and not isinstance(v, str):
                if isinstance(v, torch.Tensor):
                    batch[k] = torch.stack([f[k] for f in features])
                elif isinstance(v, np.ndarray):
                    batch[k] = torch.tensor(np.stack([f[k] for f in features]))
                else:
                    batch[k] = torch.tensor([f[k] for f in features])
    except ValueError: # quick fix by simply take the first example
        for k, v in first.items():
            if k not in ("label", "label_ids") and v is not None and not isinstance(v, str):
                if isinstance(v, torch.Tensor):
                    batch[k] = torch.stack([features[0][k]] * len(features))
                elif isinstance(v, np.ndarray):
                    batch[k] = torch.tensor(np.stack([features[0][k]] * len(features)))
                else:
                    batch[k] = torch.tensor([features[0][k]] * len(features))

    return batch

batch数据预处理：

• 数据集Mapping属性确认，用于训练时遍历数据集
• 取第一个特征作为处理数据的判断依据（一批数据的特征类似，剩下的只需要遍历）
• 如果数据中存在label或者label_id的key，那么数据应该就是预处理过的，那么只要遍历样本取出来，确认tensor数据格式后并且通过stack合并在一起就可以作为一个batch
• 如果key不是label or label_id，那么就保持训练数据的原始key，进行处理聚合成tensor格式，也是可以的，在出现数据集形状不匹配时，所有的tensor没办法聚合，那么就取第一个数据的特征作为batchsize依据，作为简单的batchsize处理

3.参数配置

MODEL_CONFIG_CLASSES = list(MODEL_FOR_CAUSAL_LM_MAPPING.keys())
MODEL_TYPES = tuple(conf.model_type for conf in MODEL_CONFIG_CLASSES)

@dataclass
class ModelArguments:
    """
    Arguments pertaining to which model/config/tokenizer we are going to fine-tune, or train from scratch.
    """

    model_name_or_path: Optional[str] = field(
        default=None,
        metadata={
            "help": (
                "The model checkpoint for weights initialization. Don't set if you want to train a model from scratch."
            )
        },
    )
    tokenizer_name_or_path: Optional[str] = field(
        default=None,
        metadata={
            "help": (
                "The tokenizer for weights initialization.Don't set if you want to train a model from scratch."
            )
        },
    )
    model_type: Optional[str] = field(
        default=None,
        metadata={"help": "If training from scratch, pass a model type from the list: " + ", ".join(MODEL_TYPES)},
    )
    config_overrides: Optional[str] = field(
        default=None,
        metadata={
            "help": (
                "Override some existing default config settings when a model is trained from scratch. Example: "
                "n_embd=10,resid_pdrop=0.2,scale_attn_weights=false,summary_type=cls_index"
            )
        },
    )
    config_name: Optional[str] = field(
        default=None, metadata={"help": "Pretrained config name or path if not the same as model_name"}
    )
    tokenizer_name: Optional[str] = field(
        default=None, metadata={"help": "Pretrained tokenizer name or path if not the same as model_name"}
    )
    cache_dir: Optional[str] = field(
        default=None,
        metadata={"help": "Where do you want to store the pretrained models downloaded from huggingface.co"},
    )
    use_fast_tokenizer: bool = field(
        default=False,
        metadata={"help": "Whether to use one of the fast tokenizer (backed by the tokenizers library) or not."},
    )
    model_revision: str = field(
        default="main",
        metadata={"help": "The specific model version to use (can be a branch name, tag name or commit id)."},
    )
    use_auth_token: bool = field(
        default=False,
        metadata={
            "help": (
                "Will use the token generated when running `huggingface-cli login` (necessary to use this script "
                "with private models)."
            )
        },
    )
    torch_dtype: Optional[str] = field(
        default=None,
        metadata={
            "help": (
                "Override the default `torch.dtype` and load the model under this dtype. If `auto` is passed, the "
                "dtype will be automatically derived from the model's weights."
            ),
            "choices": ["auto", "bfloat16", "float16", "float32"],
        },
    )
    low_cpu_mem_usage: bool = field(
        default=False,
        metadata={
            "help": (
                "It is an option to create the model as an empty shell, then only materialize its parameters when the pretrained weights are loaded. "
                "set True will benefit LLM loading time and RAM consumption."
            )
        },
    )

    def __post_init__(self):
        if self.config_overrides is not None and (self.config_name is not None or self.model_name_or_path is not None):
            raise ValueError(
                "--config_overrides can't be used in combination with --config_name or --model_name_or_path"
            )

• MODEL_CONFIG_CLASSES 包含了所有因果语言模型的配置类，而 MODEL_TYPES 包含了这些模型对应的类型。这些变量通常用于选择和配置特定的模型

MODEL_TYPES---->(‘bart’, ‘bert’, ‘bert-generation’, ‘big_bird’, ‘bigbird_pegasus’, ‘biogpt’, ‘blenderbot’, ‘blenderbot-small’, ‘bloom’, ‘camembert’, ‘llama’, ‘codegen’, ‘cpmant’, ‘ctrl’, ‘data2vec-text’, ‘electra’, ‘ernie’, ‘falcon’, ‘fuyu’, ‘gemma’, ‘git’, ‘gpt2’, ‘gpt2’, ‘gpt_bigcode’, ‘gpt_neo’, ‘gpt_neox’, ‘gpt_neox_japanese’, ‘gptj’, ‘llama’, ‘marian’, ‘mbart’, ‘mega’, ‘megatron-bert’, ‘mistral’, ‘mixtral’, ‘mpt’, ‘musicgen’, ‘mvp’, ‘open-llama’, ‘openai-gpt’, ‘opt’, ‘pegasus’, ‘persimmon’, ‘phi’, ‘plbart’, ‘prophetnet’, ‘qdqbert’, ‘qwen2’, ‘reformer’, ‘rembert’, ‘roberta’, ‘roberta-prelayernorm’, ‘roc_bert’, ‘roformer’, ‘rwkv’, ‘speech_to_text_2’, ‘stablelm’, ‘transfo-xl’, ‘trocr’, ‘whisper’, ‘xglm’, ‘xlm’, ‘xlm-prophetnet’, ‘xlm-roberta’, ‘xlm-roberta-xl’, ‘xlnet’, ‘xmod’)

• ModelArguments 类用于定义和处理与模型相关的命令行参数，这些参数通常用于微调（fine-tuning）或从头开始训练模型。这个类定义了一系列的属性，每个属性都代表了一个命令行参数，以及与之相关的元数据，如帮助信息和默认值。

以下是 ModelArguments 类中定义的一些关键参数：
model_name_or_path: 模型检查点的名称或路径，用于初始化权重。如果不设置，则表示从头开始训练模型。
tokenizer_name_or_path: 分词器的名称或路径，用于初始化权重。如果不设置，则表示从头开始训练模型。
model_type: 如果从头开始训练模型，则需要从 MODEL_TYPES 列表中传递一个模型类型。
config_overrides: 当从头开始训练模型时，用于覆盖现有默认配置设置的字符串。例如，可以用来改变模型的一些超参数。
config_name: 预训练配置的名称或路径，如果不与 model_name 相同，则使用此参数。
tokenizer_name: 预训练分词器的名称或路径，如果不与 model_name 相同，则使用此参数。
cache_dir: 存储从 huggingface.co 下载的预训练模型的目录。
use_fast_tokenizer: 是否使用快速的分词器（由 tokenizers 库支持）。
model_revision: 要使用的具体模型版本（可以是分支名称、标签名称或提交 ID）。
use_auth_token: 是否使用运行 huggingface-cli login 时生成的令牌（对于使用私有模型是必要的）。
torch_dtype: 覆盖默认的 torch.dtype 并以这种数据类型加载模型。如果传递 auto，则数据类型将自动从模型的权重中派生。
low_cpu_mem_usage: 是否创建一个空的模型外壳，然后在加载预训练权重时才实例化其参数。设置为 True 可以减少大型语言模型（LLM）的加载时间和 RAM 消耗。
post_init 方法是一个特殊的方法，它在 dataclass 实例化后立即被调用。在这个方法中，它检查了 config_overrides 是否与 config_name 或 model_name_or_path 一起使用，如果是，则抛出一个 ValueError 异常，因为这可能导致配置冲突。
这个类通常与命令行解析库（如 argparse）一起使用，以便从命令行中读取和解析这些参数，然后用于配置和初始化模型。

@dataclass
class DataTrainingArguments:
    """
    Arguments pertaining to what data we are going to input our model for training and eval.
    """

    dataset_dir: Optional[str] = field(
        default=None, metadata={"help": "The name of the dataset to use (via the datasets library)."}
    )
    dataset_config_name: Optional[str] = field(
        default=None, metadata={"help": "The configuration name of the dataset to use (via the datasets library)."}
    )
    train_file: Optional[str] = field(default=None, metadata={"help": "The input training data file (a text file)."})
    validation_file: Optional[str] = field(
        default=None,
        metadata={"help": "An optional input evaluation data file to evaluate the perplexity on (a text file)."},
    )
    max_train_samples: Optional[int] = field(
        default=None,
        metadata={
            "help": (
                "For debugging purposes or quicker training, truncate the number of training examples to this "
                "value if set."
            )
        },
    )
    max_eval_samples: Optional[int] = field(
        default=None,
        metadata={
            "help": (
                "For debugging purposes or quicker training, truncate the number of evaluation examples to this "
                "value if set."
            )
        },
    )
    streaming: bool = field(default=False, metadata={"help": "Enable streaming mode"})
    block_size: Optional[int] = field(
        default=None,
        metadata={
            "help": (
                "Optional input sequence length after tokenization. "
                "The training dataset will be truncated in block of this size for training. "
                "Default to the model max input length for single sentence inputs (take into account special tokens)."
            )
        },
    )
    overwrite_cache: bool = field(
        default=False, metadata={"help": "Overwrite the cached training and evaluation sets"}
    )
    validation_split_percentage: Optional[float] = field(
        default=0.05,
        metadata={
            "help": "The percentage of the train set used as validation set in case there's no validation split"
        },
    )
    preprocessing_num_workers: Optional[int] = field(
        default=None,
        metadata={"help": "The number of processes to use for the preprocessing."},
    )
    keep_linebreaks: bool = field(
        default=True, metadata={"help": "Whether to keep line breaks when using TXT files or not."}
    )
    data_cache_dir: Optional[str] = field(default="./", metadata={"help": "The datasets processed stored"})

    def __post_init__(self):
        if self.streaming:
            require_version("datasets>=2.0.0", "The streaming feature requires `datasets>=2.0.0`")

• 这段代码定义了一个名为 DataTrainingArguments 的 dataclass，它用于处理与模型训练和评估所需的数据相关的命令行参数

以下是 DataTrainingArguments 类中定义的一些关键参数：
dataset_dir: 要使用的数据集的名称（通过 datasets 库）。
dataset_config_name: 要使用的数据集的配置名称（通过 datasets 库）。
train_file: 输入的培训数据文件（一个文本文件）。
validation_file: 可选的输入评估数据文件，用于评估困惑度（一个文本文件）。
max_train_samples: 用于调试或更快训练的目的，如果设置了该值，则截断训练示例的数量。
max_eval_samples: 用于调试或更快训练的目的，如果设置了该值，则截断评估示例的数量。
streaming: 是否启用流模式。
block_size: 可选的标记化后的输入序列长度。训练数据集将以此大小为块被截断以进行训练。默认为模型的单个句子输入的最大输入长度（考虑特殊标记）。
overwrite_cache: 是否覆盖缓存的训练和评估集。
validation_split_percentage: 如果没有验证分割，则用作验证集的训练集的百分比。
preprocessing_num_workers: 用于预处理的进程数。
keep_linebreaks: 在使用 TXT 文件时是否保留换行符。
data_cache_dir: 处理后的数据集存储的目录。
post_init 方法是一个特殊的方法，它在 dataclass 实例化后立即被调用。在这个方法中，它检查了是否启用了 streaming 模式，如果启用了，则检查 datasets 库的版本是否大于或等于 2.0.0，因为流功能需要 datasets>=2.0.0。
用于配置和加载数据集。这些参数帮助用户指定训练和评估数据的位置、格式和大小，以及如何处理这些数据。

@dataclass
class MyTrainingArguments(TrainingArguments):
    trainable : Optional[str] = field(default="q_proj,v_proj")
    lora_rank : Optional[int] = field(default=8)
    lora_dropout : Optional[float] = field(default=0.1)
    lora_alpha : Optional[float] = field(default=32.)
    modules_to_save : Optional[str] = field(default=None)
    debug_mode : Optional[bool] = field(default=False)
    peft_path : Optional[str] = field(default=None)
    use_flash_attention_2 : Optional[bool] = field(default=False)
    double_quant: Optional[bool] = field(default=True)
    quant_type: Optional[str] = field(default="nf4")
    load_in_kbits: Optional[int] = field(default=16)
    full_finetuning : Optional[bool] = field(default=False)

• 训练参数配置, 自定义训练过程中的一些参数

继承 TrainingArguments，MyTrainingArguments 可以扩展这些参数，并添加自己的特定参数。
以下是 MyTrainingArguments 类中定义的一些关键参数：
trainable: 可训练的层，默认为 “q_proj,v_proj”。
lora_rank: Low-Rank Adaption (LoRA) 的秩，默认为 8。
lora_dropout: LoRA 的 dropout 比率，默认为 0.1。
lora_alpha: LoRA 的 alpha 参数，默认为 32.0。
modules_to_save: 要保存的模块列表，默认为 None。
debug_mode: 是否启用调试模式，默认为 False。
peft_path: Potential Energy Function Template (PEFT) 的路径，默认为 None。
use_flash_attention_2: 是否使用 FlashAttention 2，默认为 False。
double_quant: 是否使用双量化，默认为 True。
quant_type: 量化类型，默认为 “nf4”。
load_in_kbits: 加载的位数，默认为 16。
full_finetuning: 是否进行全量微调，默认为 False。
这些参数提供了对训练过程的细粒度控制，允许用户根据特定的训练需求进行调整。debug_mode 可以用于开启或关闭调试特性，而 full_finetuning 参数用于控制是否对整个模型进行微调。

4.主流程main()

	parser = HfArgumentParser((ModelArguments, DataTrainingArguments, MyTrainingArguments))
    if len(sys.argv) == 2 and sys.argv[1].endswith(".json"):
        # If we pass only one argument to the script and it's the path to a json file,
        # let's parse it to get our arguments.
        model_args, data_args, training_args = parser.parse_json_file(json_file=os.path.abspath(sys.argv[1]))
    else:
        model_args, data_args, training_args = parser.parse_args_into_dataclasses()
    send_example_telemetry("run_clm", model_args, data_args)

创建一个 HfArgumentParser 实例，它继承自 argparse.ArgumentParser。这个实例将用于解析命令行参数，并且可以处理多个 dataclasses 定义的参数。
如果提供了json文件，则解析JSON 文件中的参数，如果没有，则使用 parser.parse_args_into_dataclasses 方法来解析命令行参数。这个方法会将解析后的参数存储在 model_args, data_args, 和 training_args 变量中。在.sh文件中，使用的是第二种直接解析参数
send_example_telemetry 函数是用于向 Hugging Face 发送有关 transformers 库中示例的使用情况的匿名遥测数据。这有助于Hugging Face团队了解用户如何使用其库和示例，从而做出更好的决策和优化。

logging

 # Setup logging
    logging.basicConfig(format="%(asctime)s - %(levelname)s - %(name)s - %(message)s",datefmt="%m/%d/%Y %H:%M:%S",
        level=logging.INFO,  # if training_args.local_rank in [-1, 0] else logging.WARN,
        handlers=[logging.StreamHandler(sys.stdout)],)

    if training_args.should_log:
        # The default of training_args.log_level is passive, so we set log level at info here to have that default.
        transformers.utils.logging.set_verbosity_info()

    log_level = training_args.get_process_log_level()
    logger.setLevel(log_level)
    datasets.utils.logging.set_verbosity(log_level)
    transformers.utils.logging.set_verbosity(log_level)
    transformers.utils.logging.enable_default_handler()
    transformers.utils.logging.enable_explicit_format()

    # Log on each process the small summary:
    logger.warning(
        f"Process rank: {training_args.local_rank}, device: {training_args.device}, n_gpu: {training_args.n_gpu}"
        + f"distributed training: {bool(training_args.local_rank != -1)}, 16-bits training: {training_args.fp16}"
    )
    logger.info(f"Training/evaluation parameters {training_args}")

logging.basicConfig(format=“%(asctime)s - %(levelname)s - %(name)s - %(message)s”,datefmt=“%m/%d/%Y %H:%M:%S”,: 这行代码使用 logging 模块的基本配置来设置日志格式。format 参数定义了日志信息的格式，包括时间戳、日志级别、日志名和日志消息。datefmt 参数定义了日期和时间的格式。
level=logging.INFO, # if training_args.local_rank in [-1, 0] else logging.WARN,: 这行代码设置了日志级别。如果 training_args.local_rank 是 -1 或 0，则日志级别设置为 INFO；否则，日志级别设置为 WARN。这可能意味着只有在主进程（local_rank 为 0）时，才会记录 INFO 级别的日志。
handlers=[logging.StreamHandler(sys.stdout)],): 这行代码设置了日志处理器，将日志输出到标准输出（通常是终端）。
if training_args.should_log:: 这行代码检查 training_args.should_log 属性是否为 True。如果为 True，则执行以下代码。
transformers.utils.logging.set_verbosity_info(): 这行代码将 transformers 库的日志级别设置为 INFO。
logger.setLevel(log_level): 这行代码将日志记录器（logger）的级别设置为 log_level。
datasets.utils.logging.set_verbosity(log_level): 这行代码将 datasets 库的日志级别设置为 log_level。
transformers.utils.logging.set_verbosity(log_level): 这行代码将 transformers 库的日志级别设置为 log_level。
transformers.utils.logging.enable_default_handler(): 这行代码启用 transformers 库的默认日志处理器。
transformers.utils.logging.enable_explicit_format(): 这行代码启用 transformers 库的显式日志格式。
logger.warning(f"Process rank: {training_args.local_rank}, device: {training_args.device}, n_gpu: {training_args.n_gpu}" + f"distributed training: {bool(training_args.local_rank != -1)}, 16-bits training: {training_args.fp16}“): 这行代码打印了一个警告信息，其中包含了关于训练进程的排名、设备、GPU 数量、是否进行分布式训练以及是否使用 16 位浮点数训练的信息。
logger.info(f"Training/evaluation parameters {training_args}”): 这行代码打印了一个信息，其中包含了关于训练/评估参数的信息。

# Detecting last checkpoint.
#
    last_checkpoint = None
    if os.path.isdir(training_args.output_dir) and training_args.do_train and not training_args.overwrite_output_dir:
        last_checkpoint = get_last_checkpoint(training_args.output_dir)
        if last_checkpoint is None and len(os.listdir(training_args.output_dir)) > 0:
            raise ValueError(
                f"Output directory ({training_args.output_dir}) already exists and is not empty. "
                "Use --overwrite_output_dir to overcome."
            )
        elif last_checkpoint is not None and training_args.resume_from_checkpoint is None:
            logger.info(
                f"Checkpoint detected, resuming training at {last_checkpoint}. To avoid this behavior, change "
                "the `--output_dir` or add `--overwrite_output_dir` to train from scratch."
            )

• 查看设置的输出文件夹里有没有ckpt文件，如果有，那么就读取文件夹里的文件，如果文件夹里没有找到ckpt，并且包含其他文件，那么报错。如果找到了，并且训练参数里没有设置断点训练，那么弹出提示

	#设置了一个随机种子，以保证模型训练的随机性是可复现的
    # Set seed before initializing model.
    set_seed(training_args.seed)
	
    config_kwargs = {
        "cache_dir": model_args.cache_dir,
        "revision": model_args.model_revision,
        "use_auth_token": True if model_args.use_auth_token else None,
    }
    if model_args.config_name:
        config = AutoConfig.from_pretrained(model_args.config_name, **config_kwargs)
    elif model_args.model_name_or_path:
        config = AutoConfig.from_pretrained(model_args.model_name_or_path, **config_kwargs)
    else:
        config = CONFIG_MAPPING[model_args.model_type]()
        logger.warning("You are instantiating a new config instance from scratch.")
        if model_args.config_overrides is not None:
            logger.info(f"Overriding config: {model_args.config_overrides}")
            config.update_from_string(model_args.config_overrides)
            logger.info(f"New config: {config}")

    tokenizer_kwargs = {
        "cache_dir": model_args.cache_dir,
        "use_fast": model_args.use_fast_tokenizer,
        "revision": model_args.model_revision,
        "use_auth_token": True if model_args.use_auth_token else None,
    }
    if model_args.tokenizer_name:
        tokenizer = AutoTokenizer.from_pretrained(model_args.tokenizer_name, **tokenizer_kwargs)
    elif model_args.tokenizer_name_or_path:
        tokenizer = AutoTokenizer.from_pretrained(model_args.tokenizer_name_or_path, **tokenizer_kwargs)
    else:
        raise ValueError(
            "You are instantiating a new tokenizer from scratch. This is not supported by this script."
            "You can do it from another script, save it, and load it from here, using --tokenizer_name."
        )

• config_kwargs，包含了配置模型时可能用到的参数。这些参数通常是从命令行参数或其他配置中获取的。
  cache_dir：指定了缓存的目录，用于存储下载的预训练模型等。
  revision：如果指定，将加载特定版本的模型。
  use_auth_token：如果设置为True，则在下载模型时使用Hugging Face模型库的认证令牌。
• 如果用户提供了配置名称（config_name），那么将从预训练模型中加载这个配置，并应用在config_kwargs中提供的参数。
• 如果用户提供了模型名称或路径（model_name_or_path），则使用这个名称或路径来加载配置。
• 如果以上两者都没有提供，那么将根据模型类型（model_type）创建一个新的配置实例。
• 如果用户提供了配置覆盖（config_overrides），那么这些覆盖将应用于当前的配置。这允许用户通过字符串的形式更新配置的某些部分。

    # Preprocessing the datasets.
    # First we tokenize all the texts.
    # since this will be pickled to avoid _LazyModule error in Hasher force logger loading before tokenize_function
    tok_logger = transformers.utils.logging.get_logger("transformers.tokenization_utils_base")

    def tokenize_function(examples):
        with CaptureLogger(tok_logger) as cl:
            output = tokenizer(examples["text"])
        # clm input could be much much longer than block_size
        if "Token indices sequence length is longer than the" in cl.out:
            tok_logger.warning(
                "^^^^^^^^^^^^^^^^ Please ignore the warning above - this long input will be chunked into smaller bits"
                " before being passed to the model."
            )
        return output
    if data_args.block_size is None:
        block_size = tokenizer.model_max_length
        if block_size > 1024:
            logger.warning(
                "The chosen tokenizer supports a `model_max_length` that is longer than the default `block_size` value"
                " of 1024. If you would like to use a longer `block_size` up to `tokenizer.model_max_length` you can"
                " override this default with `--block_size xxx`."
            )
            block_size = 1024
    else:
        if data_args.block_size > tokenizer.model_max_length:
            logger.warning(
                f"The block_size passed ({data_args.block_size}) is larger than the maximum length for the model"
                f"({tokenizer.model_max_length}). Using block_size={tokenizer.model_max_length}."
            )
        block_size = min(data_args.block_size, tokenizer.model_max_length)

    # Main data processing function that will concatenate all texts from our dataset and generate chunks of block_size.
    def group_texts(examples):
        # Concatenate all texts.
        concatenated_examples = {k: list(chain(*examples[k])) for k in examples.keys()}
        total_length = len(concatenated_examples[list(examples.keys())[0]])
        # We drop the small remainder, we could add padding if the model supported it instead of this drop, you can
        # customize this part to your needs.
        if total_length >= block_size:
            total_length = (total_length // block_size) * block_size
        # Split by chunks of max_len.
        result = {
            k: [t[i : i + block_size] for i in range(0, total_length, block_size)]
            for k, t in concatenated_examples.items()
        }
        result["labels"] = result["input_ids"].copy()
        return result

• tok_logger 是一个日志记录器，它专门用于记录与分词相关的日志信息。这里使用的是 transformers.tokenization_utils_base 模块的日志记录器。
  tokenize_function 是一个函数，它接受一个包含文本数据的字典 examples 作为输入。
  with CaptureLogger(tok_logger) as cl: 这行代码创建了一个捕获日志的上下文管理器 CaptureLogger，它将捕获在 tokenizer 函数执行期间产生的所有日志信息，并将它们存储在 cl 对象中。
  output = tokenizer(examples[“text”]) 这行代码实际调用了tokenizer来处理输入文本。假设 tokenizer 是之前已经初始化的分词器，examples[“text”] 是包含文本数据的键。
  如果在分词过程中产生了特定的警告（即输入序列长度超过了模型的块大小 block_size），则捕获到 cl.out 中。
  如果确实捕获到了这个特定的警告，通过 tok_logger.warning(…) 输出一个警告级别的日志信息，告诉用户这个长输入将被分割成更小的部分，然后再传递给模型。
  函数最后返回分词后的输出 output。
• 如果在数据参数（data_args）中没有指定block_size（即block_size为None），那么代码将使用分词器支持的最大长度（tokenizer.model_max_length）作为block_size。
  如果这个由分词器支持的最大长度超过了默认的block_size值1024，代码将发出一个警告，提示用户可以通过在命令行中使用–block_size xxx来覆盖这个默认值，以支持更长的序列。
  如果用户在data_args中指定了一个block_size值，那么代码将检查这个值是否大于分词器支持的最大长度。如果是，代码会发出警告，并告知用户使用的是tokenizer.model_max_length作为block_size。
  最后，无论哪种情况，block_size都被设置为data_args.block_size和tokenizer.model_max_length中的较小值，确保不会超过模型能够处理的最大长度。
• 将数据集中的所有文本连接起来，并生成指定长度（block_size）的文本块。以下是该函数的详细解释：
  group_texts(examples) 函数接受一个参数 examples，这是一个字典，其中包含了键值对，比如 input_ids，它可能包含了多个文本序列的标识符列表。
  concatenated_examples = {k: list(chain(*examples[k])) for k in examples.keys()} 这行代码通过 itertools.chain 函数和列表解包操作 * 将字典中每个键对应的列表（例如 input_ids）中的所有元素连接成一个单一的列表。
  total_length = len(concatenated_examples[list(examples.keys())[0]]) 计算连接后的第一个键（通常是 input_ids）列表的长度。
  if total_length >= block_size: 检查连接后的文本长度是否大于或等于 block_size。如果是，那么代码会通过取余数的方式来减少多余的长度，以确保能够被 block_size 整除。
  total_length = (total_length // block_size) * block_size 这行代码将总长度调整为最接近的能够被 block_size 整除的长度。
  result = { … } 这部分代码是一个字典推导式，它遍历 concatenated_examples 中的每个键值对，并将每个键对应的文本分割成多个长度为 block_size 的块。
  result[“labels”] = result[“input_ids”].copy() 这行代码假设 input_ids 对应的标签（例如，用于训练的标签）与 input_ids 本身相同，因此它将 input_ids 的副本赋值给 labels 键。
  函数最后返回 result 字典，其中包含了分割后的文本块和相应的标签。
  这个函数通常用于预处理文本数据，以便在训练语言模型时，能够将长文本分割成更小的块，以便模型可以一次处理一个块。这有助于减少内存消耗，并允许模型处理比其最大序列长度更长的文本。

    with training_args.main_process_first(desc="dataset map tokenization and grouping"):
        lm_datasets = []
        path = Path(data_args.dataset_dir)
        files = [file.name for file in path.glob("*.txt")]
        if training_args.debug_mode is True:
            files = [files[0]]
        for idx, file in enumerate(files):
            data_file = os.path.join(path, file)
            filename = ''.join(file.split(".")[:-1])
            cache_path = os.path.join(data_args.data_cache_dir, filename+f"_{block_size}")
            os.makedirs(cache_path, exist_ok=True)
            try:
                processed_dataset = datasets.load_from_disk(cache_path, keep_in_memory=False)
                logger.info(f'training datasets-{filename} has been loaded from disk')
            except Exception:
                cache_dir = os.path.join(data_args.data_cache_dir, filename+f"_text_{block_size}")
                os.makedirs(cache_dir, exist_ok=True)
                raw_dataset = load_dataset("text", data_files=data_file, cache_dir=cache_dir, keep_in_memory=False)
                logger.info(f"{file} has been loaded")
                tokenized_dataset = raw_dataset.map(
                    tokenize_function,
                    batched=True,
                    num_proc=data_args.preprocessing_num_workers,
                    remove_columns="text",
                    load_from_cache_file=True,
                    keep_in_memory=False,
                    cache_file_names = {k: os.path.join(cache_dir, 'tokenized.arrow') for k in raw_dataset},
                    desc="Running tokenizer on dataset",
                )
                grouped_datasets = tokenized_dataset.map(
                    group_texts,
                    batched=True,
                    num_proc=data_args.preprocessing_num_workers,
                    load_from_cache_file=True,
                    keep_in_memory=False,
                    cache_file_names = {k: os.path.join(cache_dir, 'grouped.arrow') for k in tokenized_dataset},
                    desc=f"Grouping texts in chunks of {block_size}",
                )
                processed_dataset = grouped_datasets
                processed_dataset.save_to_disk(cache_path)
            if idx == 0:
                lm_datasets = processed_dataset['train']
            else:
                assert lm_datasets.features.type == processed_dataset["train"].features.type
                lm_datasets = concatenate_datasets([lm_datasets, processed_dataset["train"]])
        lm_datasets = lm_datasets.train_test_split(test_size = data_args.validation_split_percentage)

• with training_args.main_process_first(desc=“dataset map tokenization and grouping”): 这是一个上下文管理器，它确保在多进程环境中，只有主进程执行某些操作，这里的主要操作是对数据集进行映射、分词和分组。
  lm_datasets = [] 初始化一个空列表，用于存储处理后的语言模型数据集。
  path = Path(data_args.dataset_dir) 使用Path对象来处理数据集目录的路径。
  files = [file.name for file in path.glob(“*.txt”)] 获取路径下所有.txt文件的文件名，并将它们存储在列表files中。
  如果training_args.debug_mode是True，则只使用列表中的第一个文件进行调试。
  接下来是一个循环，遍历files列表中的每个文件名。
  data_file = os.path.join(path, file) 构造每个文件的完整路径。
  filename = ‘’.join(file.split(“.”)[:-1]) 从文件名中移除扩展名（例如，如果文件名是example.txt，则filename将变成example）。
  cache_path = os.path.join(data_args.data_cache_dir, filename+f"_{block_size}") 构造缓存路径，用于存储处理后的数据集。
  os.makedirs(cache_path, exist_ok=True) 创建缓存路径的目录，如果目录已经存在，不会抛出错误。
  代码尝试从磁盘加载已经处理过的数据集：
  try:
  processed_dataset = datasets.load_from_disk(cache_path, keep_in_memory=False)
  logger.info(f’training datasets-{filename} has been loaded from disk’)
  except Exception:
  如果加载失败（例如，如果缓存文件不存在），它将执行except块。
  在except块中，代码创建另一个缓存目录，用于存储原始文本数据：
  利用上面的设定好的数据处理函数，对文本进行加载和处理成数据集的格式并且保存
  后面是保存处理后的数据并且合并到一起，然后最后进行训练集和测试集进行划分

    if training_args.do_train:
        train_dataset = lm_datasets['train']
        if data_args.max_train_samples is not None:
            max_train_samples = min(len(train_dataset), data_args.max_train_samples)
            train_dataset = train_dataset.select(range(max_train_samples))
        logger.info(f"Num train_samples  {len(train_dataset)}")
        logger.info("Training example:")
        logger.info(tokenizer.decode(train_dataset[0]['input_ids']))
    if training_args.do_eval:
        eval_dataset = lm_datasets["test"]
        if data_args.max_eval_samples is not None:
            max_eval_samples = min(len(eval_dataset), data_args.max_eval_samples)
            eval_dataset = eval_dataset.select(range(max_eval_samples))
        logger.info(f"Num eval_samples  {len(eval_dataset)}")
        logger.info("Evaluation example:")
        logger.info(tokenizer.decode(eval_dataset[0]['input_ids']))
    compute_dtype = (torch.float16 if training_args.fp16 else (torch.bfloat16 if training_args.bf16 else torch.float32))

• if training_args.do_train:: 如果 training_args 中的 do_train 属性为 True，则执行以下代码。
  train_dataset = lm_datasets[‘train’]: 获取训练数据集。
  if data_args.max_train_samples is not None:: 如果 data_args 中的 max_train_samples 属性不为 None，则执行以下代码。
  max_train_samples = min(len(train_dataset), data_args.max_train_samples): 计算最大训练样本数，它是数据集长度和 data_args.max_train_samples 中的较小值。
  train_dataset = train_dataset.select(range(max_train_samples)): 从训练数据集中选择最大训练样本数的样本。
  logger.info(f"Num train_samples {len(train_dataset)}“): 打印训练数据集中的样本数量。
  logger.info(“Training example:”): 打印一条信息，表明接下来将展示一个训练示例。
  logger.info(tokenizer.decode(train_dataset[0][‘input_ids’])): 使用分词器将训练数据集中的第一个样本的 input_ids 解码为文本。
  if training_args.do_eval:: 如果 training_args 中的 do_eval 属性为 True，则执行以下代码。
  eval_dataset = lm_datasets[“test”]: 获取评估数据集。
  if data_args.max_eval_samples is not None:: 如果 data_args 中的 max_eval_samples 属性不为 None，则执行以下代码。
  max_eval_samples = min(len(eval_dataset), data_args.max_eval_samples): 计算最大评估样本数，它是数据集长度和 data_args.max_eval_samples 中的较小值。
  eval_dataset = eval_dataset.select(range(max_eval_samples)): 从评估数据集中选择最大评估样本数的样本。
  logger.info(f"Num eval_samples {len(eval_dataset)}”): 打印评估数据集中的样本数量。
  logger.info(“Evaluation example:”): 打印一条信息，表明接下来将展示一个评估示例。
  logger.info(tokenizer.decode(eval_dataset[0][‘input_ids’])): 使用分词器将评估数据集中的第一个样本的 input_ids 解码为文本。
  compute_dtype = (torch.float16 if training_args.fp16 else (torch.bfloat16 if training_args.bf16 else torch.float32)): 设置计算数据类型。如果 training_args.fp16 为 True，则使用 torch.float16；如果 training_args.bf16 为 True，则使用 torch.bfloat16；否则，使用 torch.float32。

    if training_args.load_in_kbits in [4, 8]:
        if training_args.modules_to_save is not None:
            load_in_8bit_skip_modules = training_args.modules_to_save.split(',')
        else:
            load_in_8bit_skip_modules = None
        quantization_config = BitsAndBytesConfig(
            load_in_4bit=training_args.load_in_kbits == 4,
            load_in_8bit=training_args.load_in_kbits == 8,
            llm_int8_threshold=6.0,
            load_in_8bit_skip_modules=load_in_8bit_skip_modules,
            bnb_4bit_compute_dtype=compute_dtype,
            bnb_4bit_use_double_quant=training_args.double_quant,
            bnb_4bit_quant_type=training_args.quant_type # {'fp4', 'nf4'}
        )
    else:
        quantization_config = None
    if quantization_config is not None:
        logger.info(f"quantization_config:{quantization_config.to_dict()}")

根据配置参数设置模型量化配置，并打印出量化配置的详细信息
training_args.modules_to_save代表有一些特定的模块需要被保存。
load_in_8bit_skip_modules 是一个变量，它用于指定在加载 8 位量化模型时应该跳过哪些模块。这是为了防止某些模块在量化过程中出现问题，或者为了保留某些模块的原始精度。

    if model_args.model_name_or_path:
        torch_dtype = (
            model_args.torch_dtype
            if model_args.torch_dtype in ["auto", None]
            else getattr(torch, model_args.torch_dtype)
        )
        device_map = {"":int(os.environ.get("LOCAL_RANK") or 0)}
        model = AutoModelForCausalLM.from_pretrained(
            model_args.model_name_or_path,
            from_tf=bool(".ckpt" in model_args.model_name_or_path),
            config=config,
            cache_dir=model_args.cache_dir,
            revision=model_args.model_revision,
            use_auth_token=True if model_args.use_auth_token else None,
            torch_dtype=torch_dtype,
            low_cpu_mem_usage=model_args.low_cpu_mem_usage,
            device_map=device_map,
            quantization_config=quantization_config,
            attn_implementation="flash_attention_2" if training_args.use_flash_attention_2 else "sdpa"
        )
    else:
        model = AutoModelForCausalLM.from_config(config)
        n_params = sum({p.data_ptr(): p.numel() for p in model.parameters()}.values())
        logger.info(f"Training new model from scratch - Total size={n_params/2**20:.2f}M params")
    if training_args.load_in_kbits in [4, 8]:
        model = prepare_model_for_kbit_training(model, use_gradient_checkpointing=training_args.gradient_checkpointing)
    model.config.use_cache = False
    model_vocab_size = model.get_output_embeddings().weight.size(0)
    tokenizer_vocab_size = len(tokenizer)
    logger.info(f"Model vocab size: {model_vocab_size}")
    logger.info(f"Tokenizer vocab size: {tokenizer_vocab_size}")
    if model_vocab_size != tokenizer_vocab_size:
        logger.info(f"Resize model vocab size to {tokenizer_vocab_size}")
        model.resize_token_embeddings(len(tokenizer))
    if not training_args.full_finetuning:
        if training_args.peft_path is not None:
            logger.info("Peft from pre-trained model")
            model = PeftModel.from_pretrained(model, training_args.peft_path, device_map=device_map, is_trainable=True)
        else:
            logger.info("Init new peft model")
            target_modules = training_args.trainable.split(',')
            modules_to_save = training_args.modules_to_save
            if modules_to_save is not None:
                modules_to_save = modules_to_save.split(',')
            lora_rank = training_args.lora_rank
            lora_dropout = training_args.lora_dropout
            lora_alpha = training_args.lora_alpha
            logger.info(f"target_modules: {target_modules}")
            logger.info(f"lora_rank: {lora_rank}")
            logger.info(f"modules_to_save: {modules_to_save}")
            peft_config = LoraConfig(
                task_type=TaskType.CAUSAL_LM,
                target_modules=target_modules,
                inference_mode=False,
                r=lora_rank, lora_alpha=lora_alpha,
                lora_dropout=lora_dropout,
                modules_to_save=modules_to_save)
            model = get_peft_model(model, peft_config)
        model.print_trainable_parameters()

• 定义继续训练的模型，本地or下载，定义数据类型，定义device，读取模型。
• 量化模型
• model.config.use_cache = False: 设置模型的 use_cache 配置为 False。这可能意味着在训练过程中，模型不会使用缓存来加速计算。
  model_vocab_size = model.get_output_embeddings().weight.size(0): 获取模型的词汇表大小，即输出嵌入的权重矩阵的行数。
  tokenizer_vocab_size = len(tokenizer): 获取分词器的词汇表大小，即分词器中定义的令牌数量。
  logger.info(f"Model vocab size: {model_vocab_size}“): 打印模型的词汇表大小。
  logger.info(f"Tokenizer vocab size: {tokenizer_vocab_size}”): 打印分词器的词汇表大小。
  if model_vocab_size != tokenizer_vocab_size:: 检查模型的词汇表大小是否与分词器的词汇表大小不一致。
  logger.info(f"Resize model vocab size to {tokenizer_vocab_size}“): 如果模型的词汇表大小与分词器的词汇表大小不一致，打印一条信息，表示需要调整模型的词汇表大小。
  model.resize_token_embeddings(len(tokenizer)): 调整模型的词汇表大小，使其与分词器的词汇表大小一致。
  if not training_args.full_finetuning:: 如果 training_args.full_finetuning 为 False，即不是进行全量微调，则执行以下代码。
  if training_args.peft_path is not None:: 如果 training_args.peft_path 不为 None，即存在预训练的 PEFT 模型路径，则执行以下代码。
  logger.info(“Peft from pre-trained model”): 打印一条信息，表明将使用预训练的 PEFT 模型。
  model = PeftModel.from_pretrained(model, training_args.peft_path, device_map=device_map, is_trainable=True): 从预训练的 PEFT 模型路径加载 PEFT 模型。
  else:: 如果 training_args.peft_path 为 None，即不使用预训练的 PEFT 模型，则执行以下代码。
  logger.info(“Init new peft model”): 打印一条信息，表明将初始化一个新的 PEFT 模型。
  target_modules = training_args.trainable.split(‘,’): 将 training_args.trainable 字符串按逗号分割，得到一个包含目标模块名称的列表。
  modules_to_save = training_args.modules_to_save: 获取 training_args.modules_to_save 的值。
  if modules_to_save is not None:: 如果 modules_to_save 不为 None，即存在需要保存的模块，则执行以下代码。
  modules_to_save = modules_to_save.split(‘,’): 将 modules_to_save 字符串按逗号分割，得到一个包含模块名称的列表。
  lora_rank = training_args.lora_rank: 获取 training_args.lora_rank 的值。
  lora_dropout = training_args.lora_dropout: 获取 training_args.lora_dropout 的值。
  lora_alpha = training_args.lora_alpha: 获取 training_args.lora_alpha 的值。
  logger.info(f"target_modules: {target_modules}”): 打印目标模块的名称。
  peft库进行微调config，打印训练参数

    # Initialize our Trainer
    trainer = Trainer(
        model=model,
        args=training_args,
        train_dataset=train_dataset if training_args.do_train else None,
        eval_dataset=eval_dataset if training_args.do_eval else None,
        tokenizer=tokenizer,
        data_collator=fault_tolerance_data_collator,
        compute_metrics=compute_metrics if training_args.do_eval and not is_torch_xla_available() else None,
        preprocess_logits_for_metrics=preprocess_logits_for_metrics
        if training_args.do_eval and not is_torch_xla_available()
        else None,
    )

data_collator 参数，它是一个数据收集器实例，用于将数据样本和标签打包成适合模型输入的格式。
preprocess_logits_for_metrics预处理模型输出以计算评估指标
构建训练器，输入模型，训练参数，数据集，tokenizer， data_collator，精度计算矩阵， 预处理模型输出

    # Training
    if training_args.do_train:
        checkpoint = None
        if training_args.resume_from_checkpoint is not None:
            checkpoint = training_args.resume_from_checkpoint
        elif last_checkpoint is not None:
            checkpoint = last_checkpoint
        train_result = trainer.train(resume_from_checkpoint=checkpoint)
        trainer.save_model()  # Saves the tokenizer too for easy upload

        metrics = train_result.metrics

        max_train_samples = (
            data_args.max_train_samples if data_args.max_train_samples is not None else len(train_dataset)
        )
        metrics["train_samples"] = min(max_train_samples, len(train_dataset))

        trainer.log_metrics("train", metrics)
        trainer.save_metrics("train", metrics)
        trainer.save_state()

• 如果训练参数需要训练，那么选择样本开始训练，并且保存训练后的模型和精度

    # Evaluation
    if training_args.do_eval:
        logger.info("*** Evaluate ***")

        metrics = trainer.evaluate()

        max_eval_samples = data_args.max_eval_samples if data_args.max_eval_samples is not None else len(eval_dataset)
        metrics["eval_samples"] = min(max_eval_samples, len(eval_dataset))
        try:
            perplexity = math.exp(metrics["eval_loss"])
        except OverflowError:
            perplexity = float("inf")
        metrics["perplexity"] = perplexity

        trainer.log_metrics("eval", metrics)
        trainer.save_metrics("eval", metrics)

如果训练参数需要验证，那么计算模型的在验证集上的困惑度，记录验证效果

问题：预训练步骤是怎么设置的，和其他的微调方式区别在哪里
暂时理解是：通过提示词模板，实现的对话功能，在对模型进行输出后，进行损失计算时的方法，是目前的微调方式，而本程序使用的是直接将文章输入，不需要得到大模型在固定输入下的输出