如何使用PyTorch訓練LLM

推薦：使用NSDT場景編輯器快速搭建3D應用場景

像LangChain這樣的庫促進了上述端到端AI應用程序的實現。我們的教程介紹 LangChain for Data Engineering & Data Applications 概述了您可以使用 Langchain 做什么，包括 LangChain 解決的問題，以及數據用例的示例。

本文將解釋訓練大型語言模型的所有過程，從設置工作區到使用 Pytorch 2.0.1 的最終實現，Pytorch <>.<>.<> 是一個動態且靈活的深度學習框架，允許簡單明了的模型實現。

先決條件

為了充分利用這些內容，重要的是要熟悉 Python 編程，對深度學習概念和轉換器有基本的了解，并熟悉 Pytorch 框架。完整的源代碼將在GitHub上提供。

在深入研究核心實現之前，我們需要安裝和導入相關庫。此外，重要的是要注意，訓練腳本的靈感來自 Hugging Face 中的這個存儲庫。

庫安裝

安裝過程詳述如下：

首先，我們使用語句在單個單元格中運行安裝命令作為 Jupyter 筆記本中的 bash 命令。%%bash

• Trl：用于通過強化學習訓練轉換器語言模型。

• Peft使用參數高效微調（PEFT）方法來有效地適應預訓練的模型。

• Torch：一個廣泛使用的開源機器學習庫。

• 數據集：用于幫助下載和加載許多常見的機器學習數據集。

變形金剛：由Hugging Face開發的庫，帶有數千個預訓練模型，用于各種基于文本的任務，如分類，摘要和翻譯。

現在，可以按如下方式導入這些模塊：

數據加載和準備

羊駝數據集，在擁抱臉上免費提供，將用于此插圖。數據集有三個主要列：指令、輸入和輸出。這些列組合在一起以生成最終文本列。

加載數據集的指令在下面通過提供感興趣的數據集的名稱給出，即：tatsu-lab/alpaca

我們可以看到，結果數據位于包含兩個鍵的字典中：

• 特點：包含主列數據

• Num_rows：對應于數據中的總行數

train_dataset的結構

可以使用以下說明顯示前五行。首先，將字典轉換為熊貓數據幀，然后顯示行。

train_dataset的前五行

為了獲得更好的可視化效果，讓我們打印有關前三行的信息，但在此之前，我們需要安裝庫以將每行的最大字數設置為 50。第一個 print 語句用 15 個短劃線分隔每個塊。textwrap

前三行的詳細信息

模型訓練

在繼續訓練模型之前，我們需要設置一些先決條件：

• 預訓練模型：我們將使用預訓練模型Salesforce/xgen-7b-8k-base，該模型可在Hugging Face上使用。Salesforce 訓練了這一系列名為 XGen-7B 的 7B LLM，對高達 8K 的序列進行了標準的密集關注，最多可獲得 1.5T 代幣。

• 分詞器： 這是訓練數據上的標記化任務所必需的。加載預訓練模型和分詞器的代碼如下：

pretrained_model_name = "Salesforce/xgen-7b-8k-base"
model = AutoModelForCausalLM.from_pretrained(pretrained_model_name, torch_dtype=torch.bfloat16)
tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name, trust_remote_code=True)

訓練配置

訓練需要一些訓練參數和配置，下面定義了兩個重要的配置對象，一個是 TrainingArguments 的實例，一個是 LoraConfig 模型的實例，最后是 SFTTrainer 模型。

訓練參數

這用于定義模型訓練的參數。

在此特定場景中，我們首先使用屬性定義存儲訓練模型的目標，然后再定義其他超參數，例如優化方法、優化方法、、 等。output_dirlearning ratenumber of epochs

洛拉康菲格

用于此方案的主要參數是 LoRA 中低秩轉換矩陣的秩， 設置為 16.然后， LoRA 中其他參數的比例因子設置為 32.

此外，輟學比率為 0.05，這意味著在訓練期間將忽略 5% 的輸入單元。最后，由于我們正在處理一個普通語言建模，因此該任務使用屬性進行初始化。CAUSAL_LM

SFTTrainer

這旨在使用訓練數據、分詞器和附加信息（如上述模型）來訓練模型。

由于我們使用訓練數據中的文本字段，因此查看分布以幫助設置給定序列中的最大令牌數非常重要。

文本列長度的分布

基于上述觀察，我們可以看到大多數文本的長度在 0 到 1000 之間。此外，我們可以在下面看到，只有 4.5% 的文本文檔的長度大于 1024。

mask = pandas_format['text_length'] > 1024
percentage = (mask.sum() / pandas_format['text_length'].count()) * 100

print(f"The percentage of text documents with a length greater than 1024 is: {percentage}%")

然后，我們將序列中的最大標記數設置為 1024，以便任何比此長度的文本都被截斷。

培訓執行

滿足所有先決條件后，我們現在可以按如下方式運行模型的訓練過程：

值得一提的是，此培訓是在具有GPU的云環境中進行的，這使得整個培訓過程更快。但是，在本地計算機上進行培訓需要更多時間才能完成。

我們的博客，在云中使用LLM與在本地運行LLM的優缺點，提供了為LLM選擇最佳部署策略的關鍵考慮因素

讓我們了解上面的代碼片段中發生了什么：

• tokenizer.pad_token = tokenizer.eos_token：將填充標記設置為與句尾標記相同。

• model.resize_token_embeddings（len（tokenizer））：調整模型的標記嵌入層的大小，以匹配分詞器詞匯表的長度。

• model = prepare_model_for_int8_training（model）：準備模型以進行 INT8 精度的訓練，可能執行量化。

• model = get_peft_model（model， lora_peft_config）：根據 PEFT 配置調整給定的模型。

• training_args = model_training_args：將預定義的訓練參數分配給training_args。

• trainer = SFT_trainer：將 SFTTrainer 實例分配給變量訓練器。

• trainer.train（）：根據提供的規范觸發模型的訓練過程。

結論

本文提供了使用 PyTorch 訓練大型語言模型的明確指南。從數據集準備開始，它演練了準備先決條件、設置訓練器以及最后運行訓練過程的步驟。

盡管它使用了特定的數據集和預先訓練的模型，但對于任何其他兼容選項，該過程應該大致相同。現在您已經了解如何訓練LLM，您可以利用這些知識為各種NLP任務訓練其他復雜的模型。

原文鏈接：如何使用PyTorch訓練LLM (mvrlink.com)