XTuner 大模型单卡低成本微调实战
Finetune简介
LLM的下游应用任务中,增量预训练和指令跟随是经常会用到的两种微调模式
增量预训练微调
使用场景:让基座模型学习到一些新知识,如某个垂直领域的常识
训练数据:文章、代码、书籍等
指令跟随微调
使用场景:让模型学会对话模版,根据人类指令进行对话
训练数据:高质量的对话、问答数据
实际对话中的三个角色
- System:给定一些上下文信息,比如你是一个XX助手
- User:实际用户,会提出一些问题
- Assistant:根据User的输入,结合System的上下文信息,做出回答
不同的开源模板不尽相同 - LlaMa 2
<<SYS>>
System上下文开始<</SYS>>
System上下文结束[INST]
User指令开始[/INST]
User指令结束
- InternLM
<|System|>
System上下文开始<|User|>
User指令开始<eoh>
EndofHuman,User指令结<|Bot|>
Assistant开始回答<eoa>
EndofAssistant,Assistant回答结束
LoRA
LoRA是通过在原本的Linear旁,新增一个支路,包含两个连续的小Linear 新增的这个支路通常叫做Adapter
Adapter参数远小于原本的Linear 能大幅减低训练的显存消耗。
LoRA只对部分进行改动
XTuner介绍
功能亮点
- 适配多种生态
- 多种微调算法:多种微调策略与算法,覆盖各类SFT场景
- 适配多种开源生态:支持加载HuggingFace、ModelScope模型或数据集
- 自动优化加速:开发者无需关注复杂的显存优化与计算加速细节
- 适配多种硬件
- 训练方案覆盖NVIDIA20系以上所有显卡
- 最低只需8GB显存即可微调7B模型
XTuner 技术架构图
8GB显存玩转LLM
Flash Attention 和 DeepSpeed ZeRO是XTuner最重要的两个优化技巧
Flash Attention
将Attention计算并行化 避免了计算过程中Attention Score NxN的显存占用
DeepSpeed ZeRO
通过将训练过程中的参数、梯度和优化器状态切片保存,能够在多GPU训练时使用FP16的权重,相较于Pytorch的AMP训练,在单GPU上也能大幅节省显存
上手操作
平台
Ubuntu + Anaconda + CUDA/CUDNN + 20GB nvidia A100(1/4)
创建并激活环境
# 使用InternStudio开箱即用的conda环境
/root/share/install_conda_env_internlm_base.sh Xtuner
conda activate Xtuner
# 克隆远程仓库,从源码安装Xtuner
mkdir xtuner019 && cd xtuner019
git clone -b v0.1.9 https://github.com/InternLM/xtuner
# 进入源码目录
cd xtuner
# 从源码安装 XTuner
pip install -e '.[all]'
准备在 oasst1 数据集上微调 internlm-7b-chat
# 创建一个微调 oasst1 数据集的工作路径,进入
mkdir ~/ft-oasst1 && cd ~/ft-oasst1
微调
准备配置文件
XTuner 提供多个开箱即用的配置文件,用户可以通过下列命令查看:
# 列出所有内置配置
xtuner list-cfg
假如显示bash: xtuner: command not found的话可以考虑在终端输入 export PATH=$PATH:‘/root/.local/bin’
拷贝一个配置文件到当前目录: # xtuner copy-cfg ${CONFIG_NAME} ${SAVE_PATH}
cd ~/ft-oasst1
xtuner copy-cfg internlm_chat_7b_qlora_oasst1_e3 .
模型下载
由于下载模型很慢,用教学平台的同学可以直接复制模型。
cp -r /root/share/temp/model_repos/internlm-chat-7b ~/ft-oasst1/
数据集下载
数据集依然可以直接从平台复制
cd ~/ft-oasst1
# ...-guanaco 后面有个空格和英文句号
cp -r /root/share/temp/datasets/openassistant-guanaco .
下载完整之后的目录结构应该如下如所示:
修改配置文件
修改 internlm_chat_7b_qlora_oasst1_e3_copy.py
文件,如下所示:
开始微调
根据实际情况选择单卡或者多卡训练:
# 单卡
## 用刚才改好的config文件训练
xtuner train ./internlm_chat_7b_qlora_oasst1_e3_copy.py
# 多卡
NPROC_PER_NODE=${GPU_NUM} xtuner train ./internlm_chat_7b_qlora_oasst1_e3_copy.py
# 若要开启 deepspeed 加速,增加 --deepspeed deepspeed_zero2 即可