聊聊大模型实际开发中的问题——微调与推理

最新推荐文章于 2024-10-05 14:01:53 发布

大靠山

最新推荐文章于 2024-10-05 14:01:53 发布

阅读量812

点赞数 13

文章标签： transformer 深度学习人工智能语言模型自然语言处理

本文链接：https://blog.csdn.net/m0_59235245/article/details/141968780

版权

最近在根据实际业务做LLM的微调、部署、推理；过程中遇到很多的问题，在此记录下，这些问题有些解决了有些还在探索。

微调

我们的业务偏向于心理咨询问询对的场景，所以整个问询对就会很长，转换成ShareGPT格式的JSON数据后，一度达到了几十上百K，如下：

❝

其实这里是4个conversations，其实是将一次咨询按主题拆分了四块，然后合在了一起；严格来说也可以不拆出来，直接就是一个conversations，而不打散主题。但对于LLaMA-Factory微调来说，不允许微调文件只有一个conversation数据，因此才拆分了数据。

但由于数据文件过大，就会导致无法训练，直接OOM，后来换成jsonl格式的数据，还是不行，但数据大小的确是少了；如下：最后还是不能训练，最后换成了ms-swift框架微调训练。

但这是一次咨询的训练，基于这次咨询微调后的checkpoint，还需要继续训练，但显存不够了，最后OOM。

并行训练

并行训练一般是三类：数据并行、模型并行、混合并行。正常来说，显卡限制的情况下，是可以通过如上三种并行解决的。但现在的模型并行都不是标准的实现（我目前遇到的LLaMA-Factory、ms-swift等微调框架）。当然还有就是DeepSpeed等高效训练算法。

❝

但对于现在的微调框架很多并不是标准的并行算法实现。因此需要去尝试。

微调数据大小

前段时间longwriter-glm4-9b出来了，我想着微调训练下，尤其是多轮对话，咨询了下官方，给出的回答如下：因此，微调时数据的长度是很需要注意，也是需要做数据并行切分的。尽管可以通过max_length、采样策略（top_p，top_k，贪婪搜索，集束搜索）等约束，但效果还是会很受影响，主要还是在合适的微调数据长度上。

而对于这种情况下，如果微调数据不能拆分的情况下，最好的解决方案就是数据并行，即拆分数据到每个显卡上单独训练。同样，我们还是要注意单卡下，全量加载了模型参数后，再去微调的话，数据长度的限制，如下是我在LLaMA-Factory下的一个issue[1]：

小结

微调这里，虽然有一些超参数是需要调整设置的；但我个人觉得，微调数据的长度大小，需要好好审视；而对于并行策略的应用，结合场景适用。

部署推理

对于部署来说，一般结合推理来看。在这里有如下的几个问题。

并发调用

模型部署起来后，由于一般都是基于开源模型，那么有一个问题，开源模型一般都不会处理——多用户的并行调用；尽管基于LLaMA-Factory、ms-swift等微调框架可以支持，但我们也要留意到这个问题。一般来说分为如下的情况：

多用户并发调用
单用户批次并行调用（即batch inference）

上下文长度

推理时，会有一个历史对话长度的问题——达到多长的对话，模型的能力将会退化；以vllm部署推理为例，一般有一个参数max_model_len控制，如下的报错也是很常见的：

❝

ValueError: The model’s max seq len (19008) is larger than the maximum number of tokens that can be stored in KV cache (3840). Try increasing gpu_memory_utilization or decreasing max_model_len when initializing the engine.

受限于显存与kv cache的大小，因此就会限制推理时的历史对话长度；那么在长对话的场景下，如何解决这个问题？除了堆显存或是换一个更高效的分布式推理部署框架（算法）外，暂时没想到。而哪个分布式推理部署框架（算法）比较合适，能解决这个问题，暂时也没找到。

小结

合理的推理部署框架能解决并发调用、上下文长度的问题；这不是仅仅原生基座模型的上下文长度，而是在原生基座模型上一层的中间件限制。因此，挑选合适的算法/框架会更好的解决这些问题。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述