书生·浦语大模型实战营-学习笔记4

XTuner 大模型单卡低成本微调实战

Finetune简介

常见的两种微调策略：增量预训练、指令跟随

指令跟随微调

数据是一问一答的形式

对话模板构建

每个开源模型使用的对话模板都不相同

指令微调原理：

由于只有答案部分是我们期望模型来进行回答的内容，所以我们只对答案部分进行损失的计算

增量预训练微调

数据都是陈述句，没有问答形式

LoRA & QLoRA

XTuner中使用的微调原理：LoRA & QLoRA

如果我们要对整个模型的所有参数都进行调整的话，需要非常大的显存才能够进行训练，但是用LoRA的方法就不需要这么大的显存开销了

比较：全参数微调、LoRA、QLoRA

全参数微调：整个模型都要加载到显存中，所有模型参数的优化器也都要加载到显存中，显存不够根本无法进行·

LoRA：模型也是要先加载到显存中，但是我们只需要保存LoRA部分的参数优化器，大大减小了显存占用

QLoRA：加载模型时就使用4bit量化的方式加载（相当于不那么精确的加载），但是可以节省显存开销，QLoRA部分的参数优化器，还可以在GPU和CPU之间进行调度【这是Xtunner进行整合的功能】，显存满了就自动去内存中去跑。

XTuner介绍

XTuner快速上手

安装

bash 复制代码

pip install xtuner

挑选配置模版

bash 复制代码

xtuner list-cfg -p internlm_20b

一键训练

bash 复制代码

xtuner train internlm_20b_qlora_oasst1_512_e3

Config 命名规则

|-------|---------------------------------|
| 模型名 | internlm_20b ( 无 chat 代表是基座模型 ) |
| 使用算法 | qlora |
| 数据集 | oasst1 |
| 数据长度 | 512 |
| Epoch | e3, epoch 3 |

! $在这里插入图片描述$ (https://img-blog.csdnimg.cn/direct/67e55262c53d4d988fa0948795877b8c.png) ! $在这里插入图片描述$ (https://img-blog.csdnimg.cn/direct/2746f7cf958b47a1b2b388a43f5a9260.png) ! $在这里插入图片描述$ (https://img-blog.csdnimg.cn/direct/3a93273b4b84489ca5be2e991156e1d6.png) ! $在这里插入图片描述$ (https://img-blog.csdnimg.cn/direct/3a14ced892df4f02a58633f803aff1e9.png)

XTunner支持多数据的样本拼接，增加运行效率，输入模型，统一的进行梯度的传播

自定义数据集建议使用json格式

8GB显卡玩转LLM

动手实战环节

https://github.com/InternLM/tutorial/blob/main/xtuner/README.md