Skip to content

Latest commit

 

History

History
163 lines (123 loc) · 4.71 KB

README_CN.md

File metadata and controls

163 lines (123 loc) · 4.71 KB

⚡️🤗LitHFT

使用自定义数据对任意Huggingface大型语言模型(LLMs)进行预训练和微调。

| English | 中文简体 |

什么是LitHFT

LitHFT是基于LitGPT开发的工具，用于对Huggingface中的大语言模型(LLMs)进行预训练和微调。相比之下，LitGPT专为某些类型的LLMs设计，它支持20多种常用的LLMs。然而，它不适用于Huggingface中的其他类型模型，例如Qwen。LitHFT适用于原生Huggingface模型，无需对模型检查点进行转换，但代价是更少的训练优化。

比较 LitHFT LitGPT
LLMs 任意 20+
Optimization Deepspeed FSDP
Dataloader packed data from TinyLLama litdata

安装LitHFT

git clone https://github.com/DoubleVII/lithft.git
cd lithft
pip install -e .

警告

该项目仅在Qwen和Mistral模型上测试过。

模型 device 吞吐量 / s / device
Qwen1.5-1.8B A800-40G 24.5k tokens
Mistral-7B A100-80G 3.5k tokens

快速开始

微调

数据

我们使用ParquetData作为示例，包含两列：prompt和response。你可以使用任何LitGPT支持的Datamodule。

启动训练

huggingface-cli download "Qwen/Qwen1.5-1.8B" --local-dir Qwen1.5-1.8B --local-dir-use-symlinks False

MODEL_DIR=Qwen1.5-1.8B
DATA_PATH=sft_data.parquet # columns: `prompt` and `response`

fabric run model \
--accelerator=cuda \
--devices=8 \
launch/finetune.py \
--checkpoint_dir $MODEL_DIR \
--data ParquetData \
--data.data_path $DATA_PATH \
--train.learning_rate=1e-5 \
--train.lr_warmup_steps=100 \
--train.micro_batch_size=16 \
--train.epochs=1 \
--train.save_interval=10000 \
--train.global_batch_size=64 \
--train.log_interval=1 \
--out_dir out

转换为Huggingface格式

LitHFT的训练不改变模型的state dict，因此只需要简单抽取即可：

python3 litgpt/scripts/convert_hf_fast.py out/final/lit_model.pth/checkpoint/mp_rank_00_model_states.pt Qwen1.5-1.8B-finetuned

模型文件保存在Qwen1.5-1.8B-finetuned/pytorch_model.bin。

你可能需要复制一些元数据到Qwen1.5-1.8B-finetuned，以便通过AutoModelForCausalLM直接加载模型。

预训练

数据

对于预训练，LitHFT使用来自TinyLLama（经过一些修改）的dataloader。使用以下脚本将pretrain_data下的所有parquet文件处理为二进制数据。所有parquet文件应包含列text。

huggingface-cli download "Qwen/Qwen1.5-1.8B" --local-dir Qwen1.5-1.8B --local-dir-use-symlinks False

python scripts/prepare_packed_data.py --source_path pretrain_data --destination_path bin/pretrain_data --tokenizer_path Qwen1.5-1.8B --prefix data_part

启动分布式训练

对于rank=0的节点，使用以下命令启动，对于其他节点，你应该修改NODE_RANK的值。

NODE_RANK=0
MODEL_DIR=Qwen1.5-1.8B
DATA_PATH=bin/pretrain_data

fabric run model \
--node-rank=$NODE_RANK \
--main-address=$RANK0_ADDR \
--main-port=$RANK0_PORT \
--accelerator=cuda \
--devices=8 \
--num-nodes=2 \
launch/pretrain.py \
--model_config $MODEL_DIR \
--data PackedData \
--data.data_path $DATA_PATH \
--data.shuffle False \
--data.file_prefixes data_part \
--train.learning_rate 4e-4 \
--train.lr_warmup_steps=200 \
--train.micro_batch_size=3 \
--train.max_tokens=1000000000000 \
--train.save_interval=10000 \
--train.log_interval=1 \
--zero3=False \
--out_dir out

转换为Huggingface格式

与微调部分相同。

继续训练

可以通过加载预训练的模型来执行继续训练，使用initial_checkpoint_dir指定模型目录：

NODE_RANK=0
MODEL_DIR=Qwen1.5-1.8B
DATA_PATH=bin/pretrain_data

fabric run model \
--node-rank=$NODE_RANK \
--main-address=$RANK0_ADDR \
--main-port=$RANK0_PORT \
--accelerator=cuda \
--devices=8 \
--num-nodes=2 \
launch/pretrain.py \
--initial_checkpoint_dir $MODEL_DIR \
--data PackedData \
--data.data_path $DATA_PATH \
--data.shuffle False \
--data.file_prefixes data_part \
--train.learning_rate 4e-4 \
--train.lr_warmup_steps=200 \
--train.micro_batch_size=3 \
--train.max_tokens=1000000000000 \
--train.save_interval=10000 \
--train.log_interval=1 \
--zero3=False \
--out_dir out

许可证

LitHFT采用MIT许可证发布。此外，此项目还附带LitGPT的Apache 2.0许可证。