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：

"Human:"+问题+"nAssistant:"+答案

  举个例子，如下所示：

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

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${output_model}#复制脚本到输出目录
CUDA_VISIBLE_DEVICES=0,1deepspeed--num_gpus2finetune_clm.py#deepspeed：分布式训练，num_gpus：使用的gpu数量，finetune_clm.py：训练脚本
--model_name_or_pathmeta-llama/Llama-2-7b-chat-hf#model_name_or_path：模型名称或路径
--train_files../../data/train_sft.csv#train_files：训练数据集路径
../../data/train_sft_sharegpt.csv#train_files：训练数据集路径
--validation_files../../data/dev_sft.csv#validation_files：验证数据集路径
../../data/dev_sft_sharegpt.csv#validation_files：验证数据集路径
--per_device_train_batch_size1#per_device_train_batch_size：每个设备的训练批次大小
--per_device_eval_batch_size1#per_device_eval_batch_size：每个设备的验证批次大小
--do_train#do_train：是否训练
--do_eval#do_eval：是否验证
--use_fast_tokenizerfalse#use_fast_tokenizer：是否使用快速分词器
--output_dir${output_model}#output_dir：输出目录
--evaluation_strategysteps#evaluation_strategy：评估策略
--max_eval_samples800#max_eval_samples：最大评估样本数
--learning_rate1e-4#learning_rate：学习率
--gradient_accumulation_steps8#gradient_accumulation_steps：梯度累积步数
--num_train_epochs10#num_train_epochs：训练轮数
--warmup_steps400#warmup_steps：预热步数
--logging_dir${output_model}/logs#logging_dir：日志目录
--logging_strategysteps#logging_strategy：日志策略
--logging_steps10#logging_steps：日志步数
--save_strategysteps#save_strategy：保存策略
--preprocessing_num_workers10#preprocessing_num_workers：预处理工作数
--save_steps20#save_steps：保存步数
--eval_steps20#eval_steps：评估步数
--save_total_limit2000#save_total_limit：保存总数限制
--seed42#seed：随机种子
--disable_tqdmfalse#disable_tqdm：禁用tqdm
--ddp_find_unused_parametersfalse#注释：ddp查找未使用的参数
--block_size2048#block_size：块大小
--report_totensorboard#report_to：报告给tensorboard
--overwrite_output_dir#overwrite_output_dir：覆盖输出目录
--deepspeedds_config_zero2.json#deepspeed：分布式训练配置文件
--ignore_data_skiptrue#ignore_data_skip：忽略数据跳过
--bf16#bf16：使用bf16
--gradient_checkpointing#gradient_checkpointing：梯度检查点
--bf16_full_eval#bf16_full_eval：bf16全评估
--ddp_timeout18000000#ddp_timeout：ddp超时
|tee-a${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，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Assistant: 一天有86400秒。。
  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服务器托管网不为空，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：

fromtransformersimportAutoTokenizer,AutoModelForCausalLM
frompathlibimportPath
importtorch

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(['Human:介绍一下中国nAssistant:'],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#padtoken
}
generate_ids=model.generate(**generate_input)#生成token
text=tokenizer.decod服务器托管网e(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