dev 分支加一些新功能和想法 如果求稳定，请使用 stable分支
05-27 add qlora transformers>=4.30
05-12 fix lora int8 多卡训练 , ppo training move to https://github.com/ssbuild/rlhf_chatglm
04-28 deep_training 0.1.3 pytorch-lightning 改名 ligntning ，旧版本 deep_training <= 0.1.2
04-23 增加lora 保存hf权重（修改infer_lora_finetuning.py enable_merge_weight 选项），超大数据集见训练节说明
04-12 deep_training 0.1.2.post0 fix load_in_8bit in lora v1 , lora v2
04-11 增加 lora v2 以及 adalora, 另外官方fix eos_token , 请更新tokenizer_config.json
04-10 增加一直冻结前N层微调方式，根据需要修改models.py 变量 global_num_layers_freeze
04-07 官方精简了词表和权重，配置已同步，建议重新下载权重信息 deep_training 最低要求 0.1.1
04-02 增加p-tuning-v2训练, 建议训练前删除缓存数据 rm -rf output
03-28 支持加载chatglm-6b-int4权重 (修改 对应配置文件quantization_bit 4 or 8)
03-27 fix eos
03-26 增加三种数据策略
- pip install -i https://pypi.org/simple -U -r requirements.txt
dev 版本可通过下列方式安装
pip install -i https://pypi.org/simple deep_training==0.1.9 cpm_kernels bitsandbytes>=0.39
pip install -q -U git+https://github.com/huggingface/transformers.git
pip install -q -U git+https://github.com/huggingface/accelerate.git
- chatglm-6b 支持四种微调方式
- chatglm-6b-int8 目前只支持ptv2微调和推理
- chatglm-6b-int4 目前只支持ptv2微调和推理
第三方羊驼数据 https://github.com/hikariming/alpaca_chinese_dataset 单条数据示例
{
"id": 0, "paragraph": [
{
"q": "从南京到上海的路线",
"a": "你好，南京到上海的路线如下：1. 南京到上海，可以乘坐南京地铁1号线，在南京站乘坐轨道交通1号线。2. 南京到浦东机场，可以搭乘上海地铁1号，在陆家嘴站乘坐地铁1线，在浦东国际机场站乘坐机场快线，前往上海浦东国际机场。3. 上海到南京，可以换乘上海地铁2号线，从南京站换乘地铁2线，再从南京南站换乘地铁1路，然后到达上海站"
}
]
}或者
{
"id": 0, "paragraph": [
{
"q": "从南京到上海的路线",
"a": [
"你好，南京到上海的路线如下：",
"1. 南京到上海，可以乘坐南京地铁1号线，在南京站乘坐轨道交通1号线。",
"2. 南京到浦东机场，可以搭乘上海地铁1号，在陆家嘴站乘坐地铁1线，在浦东国际机场站乘坐机场快线，前往上海浦东国际机场。",
"3. 上海到南京，可以换乘上海地铁2号线，从南京站换乘地铁2线，再从南京南站换乘地铁1路，然后到达上海站"
]
}
]
}多轮会话
{
"id": 0, "paragraph": [
{
"q": "你好",
"a": "我是机器人，有什么可以帮助你的？"
},
{
"q": "从南京到上海的路线",
"a": "你好，南京到上海的路线如下：1. 南京到上海，可以乘坐南京地铁1号线，在南京站乘坐轨道交通1号线。2. 南京到浦东机场，可以搭乘上海地铁1号，在陆家嘴站乘坐地铁1线，在浦东国际机场站乘坐机场快线，前往上海浦东国际机场。3. 上海到南京，可以换乘上海地铁2号线，从南京站换乘地铁2线，再从南京南站换乘地铁1路，然后到达上海站"
}
]
}
# infer.py 推理预训练模型
# infer_finetuning.py 推理微调模型
# infer_lora_finetuning.py 推理lora微调模型
python infer.py
| 量化等级 | 最低 GPU 显存 |
|---|---|
| FP16（无量化） | 13 GB |
| INT8 | 10 GB |
| INT4 | 6 GB |
制作数据
python data_utils.py
注: num_process_worker 为多进程制作数据 ， 如果数据量较大 ， 适当调大至cpu数量
dataHelper.make_dataset_with_args(data_args.train_file,mixed_data=False, shuffle=True,mode='train',num_process_worker=0)
训练
python train.py
可见的前两块卡
train_info_args = {
'devices': 2,
}
# 第一块 和 第三块卡
train_info_args = {
'devices': [0,2],
}
例子 3个机器 每个机器 4个卡
修改train.py Trainer num_nodes = 3
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=0 python train.py
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=1 python train.py
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=2 python train.py
修改 config/__init__.py “from config.sft_config import *” 切换配置文件
config/sft_config.py finetuning
config/sft_config_lora.py lora finetuning
config/sft_config_lora_int4.py lora int4 finetuning
config/sft_config_lora_int8.py lora int8 finetuning
config/sft_config_ptv2.py lora p-tuning-v2 finetuning
global_args = {
"load_in_8bit": False, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": None, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
lora_info_args = {
'with_lora': True, # 是否启用lora模块
'r': 8,
'target_modules': ['query_key_value'],
'target_dtype': None,
'lora_alpha': 32,
'lora_dropout': 0.1,
'bias': 'none', # Bias type for Lora. Can be 'none', 'all' or 'lora_only'"
'modules_to_save' : None, # "help": "List of modules apart from LoRA layers to be set as trainable and saved in the final checkpoint. "
}
对于 deepspeed模式 , ptuning v2 只支持 stage 0
global_args = {
"load_in_8bit": False, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": 32, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
global_args = {
"load_in_8bit": False, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": 14, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": None, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
global_args = {
"load_in_8bit": False, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": None, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
lora_info_args = {
'with_lora': False, # 是否启用lora模块
...
}
adalora_info_args = {
'with_lora': False, # 是否启用lora模块
...
}
precision = '16' # 半精度训练 "32": "32-true", "16": "16-mixed", "bf16": "bf16-mixed"
1.p-tuning-v2 使用chatglm-6b-int4 or chatglm-6b-int8 或者 chatglm-6b 权重
global_args = {
"load_in_8bit": False, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": 32, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
2.lora int8
global_args = {
"load_in_8bit": True, # lora 如果显卡支持int8 可以开启 ， 需安装依赖 pip install bitsandbytes
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": None, #p-tuning-v2 参数
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
lora_info_args = {
'with_lora': True, # 是否启用lora模块
'r': 8,
'target_modules': ['query_key_value'],
'target_dtype': None,
'lora_alpha': 32,
'lora_dropout': 0.1,
'bias': 'none', # Bias type for Lora. Can be 'none', 'all' or 'lora_only'"
'modules_to_save' : None, # "help": "List of modules apart from LoRA layers to be set as trainable and saved in the final checkpoint. "
}
3.lora int4
```text
global_args = {
"load_in_8bit": False, # qlora int8
"load_in_4bit": True, # qlora int4
# load_in_4bit 量化配置
"quantization_config": BitsAndBytesConfig(
load_in_4bit=True,
llm_int8_threshold=6.0,
llm_int8_has_fp16_weight=False,
bnb_4bit_compute_dtype=torch.float16,
bnb_4bit_use_double_quant=True,
bnb_4bit_quant_type="nf4",
),
"num_layers_freeze": -1, # 非lora,非p-tuning 模式 ， <= config.json num_layers
"pre_seq_len": None, #p-tuning-v2 参数 , None 禁用p-tuning-v2
"prefix_projection": False, #p-tuning-v2 参数
"num_layers": -1, # 是否使用骨干网络的全部层数 最大1-28， -1 表示全层, 否则只用只用N层
}
lora_info_args = {
'with_lora': True, # 是否启用lora模块
'r': 8,
'target_modules': ['query_key_value'],
'target_dtype': None,
'lora_alpha': 32,
'lora_dropout': 0.1,
'bias': 'none', # Bias type for Lora. Can be 'none', 'all' or 'lora_only'"
'modules_to_save' : None, # "help": "List of modules apart from LoRA layers to be set as trainable and saved in the final checkpoint. "
}
修改data_utils.py "data_backend": "lmdb"
启动则将data_utils.py 修改 enable_deepspeed
lora 模式暂时不支持deepspeed
训练 q 置空
推理如下
model = pl_model.get_glm_model()
model.generate_for_continue_writing(tokenizer, "请帮我续写一段关于春天文字的文字", max_length=2048,
eos_token_id=config.eos_token_id,
do_sample=True, top_p=0.7, temperature=0.95,)
https://github.com/THUDM/ChatGLM-6B
- pytorch-task-example
- tf-task-example
- chatmoss_finetuning
- chatglm_finetuning
- chatyuan_finetuning
- llm_finetuning
- rlhf_llm
- rlhf_chatglm
- rlhf_chatyuan
纯粹而干净的代码
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent