指令精调脚本
⚠️重要提示⚠️
训练步骤
进入项目的scripts/training目录，运行bash run_sft.sh进行指令精调，默认使用单卡。运行前用户应先修改脚本并指定相关参数，脚本中的相关参数值仅供调试参考。run_sft.sh的内容如下：
########参数部分########
lr=1e-4
lora_rank=64
lora_alpha=128
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
pretrained_model=path/to/hf/llama-2/or/merged/llama-2/dir/or/model_id
chinese_tokenizer_path=path/to/chinese/llama-2/tokenizer/dir
dataset_dir=path/to/sft/data/dir
per_device_train_batch_size=1
per_device_eval_batch_size=1
gradient_accumulation_steps=1
output_dir=output_dir
peft_model=path/to/peft/model/dir
validation_file=validation_file_name
max_seq_length=1024
deepspeed_config_file=ds_zero2_no_offload.json
########启动命令########
torchrun --nnodes 1 --nproc_per_node 1 run_clm_sft_with_peft.py \
--deepspeed ${deepspeed_config_file} \
--model_name_or_path ${pretrained_model} \
--tokenizer_name_or_path ${chinese_tokenizer_path} \
--dataset_dir ${dataset_dir} \
--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 \
--do_eval \
--seed $RANDOM \
--fp16 \
--num_train_epochs 2 \
--lr_scheduler_type cosine \
--learning_rate ${lr} \
--warmup_ratio 0.03 \
--weight_decay 0 \
--logging_strategy steps \
--logging_steps 10 \
--save_strategy steps \
--save_total_limit 3 \
--evaluation_strategy steps \
--eval_steps 250 \
--save_steps 500 \
--gradient_accumulation_steps ${gradient_accumulation_steps} \
--preprocessing_num_workers 8 \
--max_seq_length ${max_seq_length} \
--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 \
--validation_file ${validation_file} \
--peft_path ${peft_model} \
--gradient_checkpointing \
--ddp_find_unused_parameters False
其中一些参数的含义不言自明。部分参数的解释如下：
-
--tokenizer_name_or_path: Chinese-LLaMA-2 tokenizer所在的目录。⚠️ 本项目中LLaMA-2模型与Alpaca-2模型使用相同的tokenizer，不再进行区分。
-
--dataset_dir: 指令精调数据的目录，包含一个或多个以json结尾的Stanford Alpaca格式的指令精调数据文件
-
--validation_file: 用作验证集的单个指令精调文件，以json结尾，同样遵循Stanford Alpaca格式
-
--flash_attn: 启用FlashAttention-2加速训练
Stanford Alpaca格式如下：
[
{"instruction" : ...,
"input" : ...,
"output" : ...},
...
]
该脚本支持以下训练模式。不支持未在表格中的模式，如要修改请自行debug。
| 模型 |
model_name_or_path |
peft_path |
lora params |
| 基于Chinese-LLaMA-2 LoRA进行指令精调 |
原版HF格式的LLaMA-2 |
Chinese-LLaMA-2 LoRA |
无需指定 |
| 基于Chinese-Alpaca-2 LoRA进行指令精调 |
原版HF格式的LLaMA-2 |
Chinese-Alpaca-2 LoRA |
无需指定 |
| 基于Chinese-LLaMA-2训练全新的指令精调LoRA权重 |
完整（合并Chinese-LLaMA-2-LoRA后）的HF格式Chinese-LLaMA-2模型 |
勿提供此参数，并且从脚本中删除 --peft_path
|
需设置--lora_rank、--lora_alpha、--lora_dropout、--trainable和--modules_to_save参数 |
| 基于Chinese-Alpaca-2训练全新的指令精调LoRA权重 |
完整（合并Chinese-Alapca-2-LoRA后）的HF格式Chinese-Alpaca-2模型 |
勿提供此参数，并且从脚本中删除 --peft_path
|
需设置--lora_rank、--lora_alpha、--lora_dropout、--trainable和--modules_to_save参数 |
这里列出的其他训练相关超参数（尤其是学习率，以及和total batch size大小相关的参数）仅供参考。请在实际使用时根据数据情况以及硬件条件进行配置。
节省显存小提示
- 如果机器的显存比较紧张，可以删去脚本中的
--modules_to_save ${modules_to_save} \, 即不训练embed_tokens和lm_head（这两部分参数量较大），只训练LoRA参数。
- 如果是在已有LoRA基础上继续微调，需要修改
peft_path下的adapter_config.json文件，改为"modules_to_save": null
- 如果执行修改后程序报错，请删除
--gradient_checkpointing \再尝试
- 减小
max_seq_length也可降低训练时显存占用，如可将block_size设置为512。
使用多机多卡
请参考以下启动方式：
torchrun \
--nnodes ${num_nodes} \
--nproc_per_node ${num_gpu_per_node}
--node_rank ${node_rank} \
--master_addr ${master_addr} \
--master_port ${master_port} \
run_clm_sft_with_peft.py \
...
训练后文件整理
训练后的LoRA权重和配置存放${output_dir}/sft_lora_model，可用于后续的合并流程。
