Llama2-Chinese项目：3.1-全量参数微调

  提供LoRA微调和全量参数微调代码，训练数据为data/train_sft.csv，验证数据为data/dev_sft.csv，数据格式如下所示：

"<s>Human: "+问题+"\n</s><s>Assistant: "+答案

  举个例子，如下所示：

<s>Human: 用一句话描述地球为什么是独一无二的。</s><s>Assistant: 因为地球是目前为止唯一已知存在生命的行星。</s>

1.全量参数微调脚本

  全量参数微调脚本train/sft/finetune.sh，如下所示：

output_model=save_folder
# 需要修改到自己的输入目录
if [ ! -d ${output_model} ];then  
    mkdir ${output_model}
fi
cp ./finetune.sh ${output_model} # 复制脚本到输出目录
CUDA_VISIBLE_DEVICES=0,1 deepspeed --num_gpus 2  finetune_clm.py \  # deepspeed：分布式训练，num_gpus：使用的gpu数量，finetune_clm.py：训练脚本
    --model_name_or_path meta-llama/Llama-2-7b-chat-hf \            # model_name_or_path：模型名称或路径
    --train_files ../../data/train_sft.csv \                        # train_files：训练数据集路径
                ../../data/train_sft_sharegpt.csv \                 # train_files：训练数据集路径
    --validation_files  ../../data/dev_sft.csv \                    # validation_files：验证数据集路径
                         ../../data/dev_sft_sharegpt.csv \          # validation_files：验证数据集路径
    --per_device_train_batch_size 1 \                               # per_device_train_batch_size：每个设备的训练批次大小
    --per_device_eval_batch_size 1 \                                # per_device_eval_batch_size：每个设备的验证批次大小
    --do_train \                                                    # do_train：是否训练
    --do_eval \                                                     # do_eval：是否验证
    --use_fast_tokenizer false \                                    # use_fast_tokenizer：是否使用快速分词器
    --output_dir ${output_model} \                                  # output_dir：输出目录
    --evaluation_strategy  steps \                                  # evaluation_strategy：评估策略
    --max_eval_samples 800 \                                        # max_eval_samples：最大评估样本数
    --learning_rate 1e-4 \                                          # learning_rate：学习率
    --gradient_accumulation_steps 8 \                               # gradient_accumulation_steps：梯度累积步数
    --num_train_epochs 10 \                                         # num_train_epochs：训练轮数
    --warmup_steps 400 \                                            # warmup_steps：预热步数
    --logging_dir ${output_model}/logs \                            # logging_dir：日志目录
    --logging_strategy steps \                                      # logging_strategy：日志策略
    --logging_steps 10 \                                            # logging_steps：日志步数
    --save_strategy steps \                                         # save_strategy：保存策略
    --preprocessing_num_workers 10 \                                # preprocessing_num_workers：预处理工作数
    --save_steps 20 \                                               # save_steps：保存步数
    --eval_steps 20 \                                               # eval_steps：评估步数
    --save_total_limit 2000 \                                       # save_total_limit：保存总数限制
    --seed 42 \                                                     # seed：随机种子
    --disable_tqdm false \                                          # disable_tqdm：禁用tqdm
    --ddp_find_unused_parameters false \                            # 注释：ddp查找未使用的参数
    --block_size 2048 \                                             # block_size：块大小
    --report_to tensorboard \                                       # report_to：报告给tensorboard
    --overwrite_output_dir \                                        # overwrite_output_dir：覆盖输出目录
    --deepspeed ds_config_zero2.json \                              # deepspeed：分布式训练配置文件
    --ignore_data_skip true \                                       # ignore_data_skip：忽略数据跳过
    --bf16 \                                                        # bf16：使用bf16
    --gradient_checkpointing \                                      # gradient_checkpointing：梯度检查点
    --bf16_full_eval \                                              # bf16_full_eval：bf16全评估
    --ddp_timeout 18000000 \                                        # ddp_timeout：ddp超时
    | tee -a ${output_model}/train.log                              # tee：将标准输出重定向到文件，同时显示在屏幕上

    # --resume_from_checkpoint ${output_model}/checkpoint-20400 \    # resume_from_checkpoint：从检查点恢复

2.全量参数微调代码

  全量参数微调具体实现代码train/sft/finetune_clm.py，全部代码参考文献[5]。从命令行中解析参数model_args, data_args, training_args = parser.parse_args_into_dataclasses()。model_args、data_args和training_args如下所示：

  raw_datasets = load_dataset(...)数据结构如下所示：


  tokenized_datasets = raw_datasets.map(...)数据结构如下所示：

  从上面可以看到是对一行记录进行了编码，即input_ids数值。比如，<s>Human: 给出一个问题，要求助手回答该问题的时间限制。如果回答超出时间限制，客户应该得到通知。问题: "一天有多少秒？"时间限制: 10秒</s><s>Assistant: 一天有86400秒。</s>。
  这个时候可能有个疑问，如果是指令数据格式，那么在微调的时候如何进行编码呢？找到了开源项目open-llama2[4]，它的微调数据data_example.json文件如下所示：

[
  {
    "instruction": "我们如何在日常生活中减少用水？",
    "input": "",
    "output": "1. 使用节水装置，如节水淋浴喷头和水龙头。 \n2. 使用水箱或水桶收集家庭废水，例如洗碗和洗浴。 \n3. 在社区中提高节水意识。 \n4. 检查水管和灌溉系统的漏水情况，并及时修复它们。 \n5. 洗澡时间缩短，使用低流量淋浴头节约用水。 \n6. 收集雨水，用于园艺或其他非饮用目的。 \n7. 刷牙或擦手时关掉水龙头。 \n8. 减少浇水草坪的时间。 \n9. 尽可能多地重复使用灰水（来自洗衣机、浴室水槽和淋浴的水）。 \n10. 只购买能源效率高的洗碗机和洗衣机。"
  },
  {
    "instruction": "编辑文章，使其更吸引读者。",
    "input": "自主机器人是计算机控制的机器，被编程执行特定任务而不需要任何人类输入。自主机器人在各个行业中被越来越广泛地应用，从制造业到医疗保健再到安全。",
    "output": "自主机器人是计算机控制的机器，被编程执行特定任务而不需要任何人类输入，从而实现了新的效率、精确度和可靠性水平。自主机器人在各个行业中被越来越广泛地应用，从制造业，它们可以使用精度和一致的质量组装复杂的组件，到医疗保健，可以协助进行医疗测试和处理，再到安全，可以监控大面积地区，保障人们和财产的安全。自主机器人还可以减少在危险或有害环境中的错误和增加安全，在工业流程的检查或维修期间等。由于其多样性，自主机器人将彻底改变我们工作方式的方式，使任务变得更加简单、快速，最终更加愉悦。"
  }
]

  通过调试发现，如果input不为空，那么将prompt+input拼接在一起作为问题，如下所示：

三.加载全量参数微调

  调用方式同模型调用代码示例，如下所示：

from transformers import AutoTokenizer, AutoModelForCausalLM
from pathlib import Path
import torch

pretrained_model_name_or_path = r'...'
model = AutoModelForCausalLM.from_pretrained(Path(f'{pretrained_model_name_or_path}'), device_map='auto', torch_dtype=torch.float16, load_in_8bit=True) #加载模型
model = model.eval() #切换到eval模式
tokenizer = AutoTokenizer.from_pretrained(Path(f'{pretrained_model_name_or_path}'), use_fast=False) #加载tokenizer
tokenizer.pad_token = tokenizer.eos_token  #为了防止生成的文本出现[PAD]，这里将[PAD]重置为[EOS]
input_ids = tokenizer(['<s>Human: 介绍一下中国\n</s><s>Assistant: '], return_tensors="pt", add_special_tokens=False).input_ids.to('cuda') #将输入的文本转换为token
generate_input = {
    "input_ids": input_ids, #输入的token
    "max_new_tokens": 512,  #最大生成的token数量
    "do_sample": True,      #是否采样
    "top_k": 50,            #采样的top_k
    "top_p": 0.95,          #采样的top_p
    "temperature": 0.3,     #采样的temperature
    "repetition_penalty": 1.3,               #重复惩罚
    "eos_token_id": tokenizer.eos_token_id,  #结束token
    "bos_token_id": tokenizer.bos_token_id,  #开始token
    "pad_token_id": tokenizer.pad_token_id   #pad token
}
generate_ids = model.generate(**generate_input) #生成token
text = tokenizer.decode(generate_ids[0]) #将token转换为文本
print(text) #输出生成的文本

参考文献：

[1]https://huggingface.co/blog/llama2

[2]全参数微调时，报没有target_modules变量：https://github.com/FlagAlpha/Llama2-Chinese/issues/169

[3]https://huggingface.co/FlagAlpha

[4]https://github.com/huxiaosheng123/open-llama2/tree/main#微调脚本

[5]https://github.com/ai408/nlp-engineering/blob/main/20230916_Llama2-Chinese/train/sft/finetune_clm.py