指令精调脚本

⚠️重要提示⚠️

• 因为Peft库变动频繁，该代码仅适用于特定Peft版本，运行脚本前请从源码安装commit id为13e53fc的Peft。

• 如果使用其他版本的Peft或修改部分训练参数设置(如不使用deepspeed)，不能保证模型可以正常训练。

• 运行前确保拉取仓库最新版代码：git pull

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=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

pretrained_model=path/to/hf/llama/or/merged/llama/dir/or/model_id
chinese_tokenizer_path=path/to/chinese/alpaca/tokenizer/dir
dataset_dir=path/to/sft/data/dir
per_device_train_batch_size=1
per_device_eval_batch_size=1
training_steps=100
gradient_accumulation_steps=1
output_dir=output_dir
peft_model=path/to/peft/model/dir
validation_file=validation_file_name

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 \
    --max_steps ${training_steps} \
    --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 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 \
    --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-Alpaca tokenizer所在的目录。⚠️ 注意此处只能传入Alpaca词表（49954），其余会报错。
• --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

所谓Stanford Alpaca格式即：

[
  {"instruction" : ...,
   "input" : ...,
   "output" : ...},
  ...
]

配置说明：

• 如果想继续训练Chinese-Alpaca模型的LoRA权重：

  • --model_name_or_path: 原版HF格式LLaMA模型（如果继续训练非Plus Alpaca模型）或合并Chinese-LLaMA-Plus-LoRA后的Chinese-LLaMA模型（如果继续训练Plus模型）
  • --peft_path: Chinese-Alpaca的LoRA权重目录
  • 无需指定--lora_rank、--lora_alpha、--lora_dropout、--trainable和--modules_to_save参数

• 如果想基于中文Chinese-LLaMA训练全新的指令精调LoRA权重：

  • --model_name_or_path: 合并对应Chinese-LLaMA-LoRA后的HF格式Chinese-LLaMA模型（无论是否是Plus模型）
  • --peft_path: 勿提供此参数，并且从脚本中删除 --peft_path
  • 需指定--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，以节省显存
  • 如果是在Alpaca-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
• 如果执行上一步操作后程序有报错，请删除--gradient_checkpointing \再尝试

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。

（以下文件整理步骤已被整合到训练脚本，无需执行，此处仅供留存参考，并将在之后的更新中删除）

1. 创建一个文件夹${lora_model}，用于存放LoRA模型

2. 将${output_dir}中训练好的pytorch_model.bin移动到${lora_model}，并命名为adapter_model.bin

   mv ${output_dir}/pytorch_model.bin ${lora_model}/adapter_model.bin

3. 将Chinese-Alpaca-LoRA（7B、13B、是否是Plus均可）中的tokenizer相关文件复制到${lora_model}

   cp chinese-alpaca-plus-lora-7b/*token* ${lora_model}/

4. 将Chinese-Alpaca-LoRA中的adapter_config.json复制到${lora_model}

cp chinese-alpaca-plus-lora-7b/adapter_config.json ${lora_model}/

5. 最后，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。

完成！现在${lora_model}可以用于后续的合并流程了。