基于llama模型进行增量预训练

显示全部楼层 · 2023-8-10 12:47:22

目录
1、llama模型转换(pytorch格式转换为HuggingFace格式)
1.1、拉取Chinese-LLaMA-Alpaca项目
1.2、准备文件夹
1.3、下载llama官方原始模型
1.4、移动文件到指定位置
1.5、执行转换脚本
2、合并模型
2.1、下载Chinese-LLaMA-Plus-7B模型
2.2、下载chinese_alpaca_plus_lora_7b模型
2.3、执行合并脚本
3、准备数据集
4、进行二次预训练
4.1、修改run_pt.sh文件
4.1、运行run_pt.sh文件
4.2、训练后文件整理
4.3、合并模型
5、推理模型
5.1、命令行方式推理合并后的模型
5.2、Web图形界面方式推理合并后的模型

大家知道AI模型是怎么训练出来的吗？
AI模型的训练训练过程分为如下三个阶段
第一个阶段叫做无监督学习（PreTraining），就是输入大量的文本语料让GPT自己寻找语言的规律，这样一个巨大的词向量空间就形成了，但是话说的漂亮并不一定正确。
第二个阶段叫做监督学习(Supervised Fine-Tuning,也叫微调)，就是人工标注一些语料，教会GPT什么该说，什么不该说。（训练数据集）
第三个阶段叫做强化学习（RM，也叫奖励模型训练），就是给GPT的回答进行打分，告诉他在他的一众回答中，哪些回答更好。（验证数据集）

第一个阶段（无监督学习），又分为了底座模型预训练，及增量预训练，它们都属于无监督学习，基座模型预训练可以查看上篇文章：使用数据预训练一个AI语言模型
本文主要来聊聊有了一个底座模型之后，如何继续使用大量文本进行增量预训练。
1、llama模型转换(pytorch格式转换为HuggingFace格式)

由于使用的底座模型是llama，官方公布的是PyTorch版本，为了方便后续使用，需转换为HuggingFace格式
1.1、拉取Chinese-LLaMA-Alpaca项目

# 我的文件路径为如下
cd /root/autodl-fs
git clone https://github.com/ymcui/Chinese-LLaMA-Alpaca.git

复制代码

1.2、准备文件夹

以下命令依次执行！

cd Chinese-LLaMA-Alpaca
mkdir model
cd model
mkdir llama
mkdir output
mkdir llama/7B

复制代码

1.3、下载llama官方原始模型

wget https://agi.gpt4.org/llama/LLaMA/tokenizer.model -O ./tokenizer.model
wget https://agi.gpt4.org/llama/LLaMA/tokenizer_checklist.chk -O ./tokenizer_checklist.chk
wget https://agi.gpt4.org/llama/LLaMA/7B/consolidated.00.pth -O ./7B/consolidated.00.pth
wget https://agi.gpt4.org/llama/LLaMA/7B/params.json -O ./7B/params.json

复制代码

1.4、移动文件到指定位置

mv tokenizer.model llama
mv tokenizer_checklist.chk consolidated.00.pth params.json llama/7B

复制代码

1.5、拉取transformers项目并安装依赖

cd /root/autodl-fs
git clone https://github.com/huggingface/transformers.git
pip install torch==1.13.1 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install sentencepiece==0.1.97 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install peft==0.3.0 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip uninstall tokenizers
pip install tokenizers==0.13.3 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install transformers==4.28.1 -i https://pypi.mirrors.ustc.edu.cn/simple/

复制代码

1.5、执行转换脚本

cd /root/autodl-fs/transformers
python src/transformers/models/llama/convert_llama_weights_to_hf.py \
--input_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/llama/ \
--model_size 7B \
--output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/output

复制代码

参数说明：

--input_dir：tokenizer.model存放路径
--model_size：其余llama文件存放路径
--output_dir：存放转换好的HF版权重路径

2、合并模型

由于原始llama模型对中文的支持不是很优秀，所以需合并一个Chinese-LLaMA-Plus-7B模型和chinese_llama_plus_lora_7b模型
2.1、下载Chinese-LLaMA-Plus-7B模型

链接：百度网盘请输入提取码提取码：082w
上传到/root/autodl-fs/llama_7b目录下并解压缩

cd /root/autodl-fs/llama_7b
mkdir chinese_llama_plus_lora_7b
unzip chinese_llama_plus_lora_7b.zip chinese_llama_plus_lora_7b

复制代码

2.2、下载chinese_alpaca_plus_lora_7b模型

链接：百度网盘请输入提取码提取码：yr3q
上传到/root/autodl-fs/llama_7b目录下并解压缩

cd /root/autodl-fs/llama_7b
mkdir chinese_alpaca_plus_lora_7b
unzip chinese_alpaca_plus_lora_7b.zip chinese_alpaca_plus_lora_7b

复制代码

2.3、执行合并脚本

cd /root/autodl-fs/Chinese-LLaMA-Alpaca/
# 合并后的模型存放位置
mkdir model/firstmergemodel
python scripts/merge_llama_with_chinese_lora.py \
--base_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/output \
--lora_model /root/autodl-fs/llama_7b/chinese_llama_plus_lora_7b,/root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b \
--output_type huggingface \
--output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels

复制代码

参数说明：

--base_model：存放HF格式的LLaMA模型权重和配置文件的目录
--lora_model：中文LLaMA/Alpaca LoRA解压后文件所在目录，也可使用Model Hub模型调用名称，提供两个lora_model的地址，用逗号分隔。⚠️ 两个LoRA模型的顺序很重要，不能颠倒。先写LLaMA-Plus-LoRA然后写Alpaca-Plus-LoRA
--output_type: 指定输出格式，可为pth或huggingface。若不指定，默认为pth
--output_dir：指定保存全量模型权重的目录，默认为./
（可选）--offload_dir：对于低内存用户需要指定一个offload缓存路径

3、准备数据集

mkdir /root/autodl-fs/Chinese-LLaMA-Alpaca/txt

复制代码

txt文件上传到该文件夹下
4、进行二次预训练

4.1、修改run_pt.sh文件

cd /root/autodl-fs/Chinese-LLaMA-Alpaca/scripts/training
vi run_pt.sh

复制代码

run_pt.sh文件如下

lr=2e-4
lora_rank=8
lora_alpha=32
lora_trainable="q_proj,v_proj,k_proj,o_proj,gate_proj,down_proj,up_proj"
modules_to_save="embed_tokens,lm_head"
lora_dropout=0.05
### 对原版llama的hf文件与chinese_llama_plus_lora_7b及chinese_Alpaca_plus_lora_7b合并后结果
pretrained_model=/root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels
### Chinese-Alpaca tokenizer所在的目录
chinese_tokenizer_path=/root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b
### 预训练数据的目录，可包含多个以txt结尾的纯文本文件
dataset_dir=/root/autodl-fs/Chinese-LLaMA-Alpaca/txt
### 指定一个存放数据缓存文件的目录
data_cache=/root/autodl-fs/Chinese-LLaMA-Alpaca/cache
per_device_train_batch_size=1
per_device_eval_batch_size=1
training_steps=100
gradient_accumulation_steps=1
### 模型输出的路径
output_dir=/root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output
deepspeed_config_file=ds_zero2_no_offload.json
torchrun --nnodes 1 --nproc_per_node 1 run_clm_pt_with_peft.py \
--deepspeed ${deepspeed_config_file} \
--model_name_or_path ${pretrained_model} \
--tokenizer_name_or_path ${chinese_tokenizer_path} \
--dataset_dir ${dataset_dir} \
--data_cache_dir ${data_cache} \
--validation_split_percentage 0.001 \
--per_device_train_batch_size ${per_device_train_batch_size} \
--per_device_eval_batch_size ${per_device_eval_batch_size} \
--do_train \
--seed 1 \
--fp16 \
--max_steps ${training_steps} \
--lr_scheduler_type cosine \
--learning_rate ${lr} \
--warmup_ratio 0.05 \
--weight_decay 0.01 \
--logging_strategy steps \
--logging_steps 10 \
--save_strategy steps \
--save_total_limit 3 \
--save_steps 500 \
--gradient_accumulation_steps ${gradient_accumulation_steps} \
--preprocessing_num_workers 8 \
--block_size 512 \
--output_dir ${output_dir} \
--overwrite_output_dir \
--ddp_timeout 30000 \
--logging_first_step True \
--lora_rank ${lora_rank} \
--lora_alpha ${lora_alpha} \
--trainable ${lora_trainable} \
--modules_to_save ${modules_to_save} \
--lora_dropout ${lora_dropout} \
--torch_dtype float16 \
--gradient_checkpointing \
--ddp_find_unused_parameters False

复制代码

4.1、运行run_pt.sh文件

sh run_pt.sh

复制代码

4.2、训练后文件整理

训练后的LoRA权重和配置存放于
/root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model，可用于后续的合并流程。

创建一个文件夹${lora_model}，用于存放LoRA模型
1. cd /root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model
2. mkdir lora_model
复制代码
将${output_dir}中训练好的adapter_model.bin移动到${lora_model}
1. cp adapter_model.bin lora_model
2. cd lora_model
复制代码
将Chinese-Alpaca-LoRA 中的tokenizer相关文件复制到${lora_model}
1. cp /root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b/*token* .
复制代码
将Chinese-Alpaca-LoRA中的adapter_config.json复制到${lora_model}
1. cp /root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b/adapter_config.json .
复制代码
编辑${lora_model}/adapter_config.json文件,修改其中的参数，确认其中的lora_alpha, r, modules_to_save, target_modules等参数与实际训练用的参数一致。

4.3、合并模型

cd /root/autodl-fs/Chinese-LLaMA-Alpaca/model
mkdir ptmerge_model
cd /root/autodl-fs/Chinese-LLaMA-Alpaca
python scripts/merge_llama_with_chinese_lora.py \
--base_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels \
--lora_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model/lora_model \
--output_type huggingface \
--output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/ptmerge_model

复制代码