Skip to content

Latest commit

 

History

History
103 lines (83 loc) · 3.59 KB

README.md

File metadata and controls

103 lines (83 loc) · 3.59 KB

Easy-LLM：LLM应用全过程代码整合

前言

  • 一个LLM训练框架，包含：预训练、指令微调、RLHF、部署这四个大的模块，具体看下方的内容
  • 处理环境安装之外，其他所有sh文件全都打包放到./examples文件夹中。

环境配置

  • 可以直接运行脚本来安装环境sh run_install_environment.sh
  • bitsandbytes这个包在windows环境下几乎跑不起来，只能在linux系统里用
  • int8类型的参数需要bitsandbytes包的支持，所以windows环境下不使用int8类型的参数
  • transformers, peft, apex, deepspeed这四个包要从github上下（如下），不能用pip或conda下

transformers

git clone https://github.com/huggingface/transformers.git
cd transformers
pip install .

peft

git clone https://github.com/huggingface/peft.git
cd transformers
pip install .

apex安装

git clone https://github.com/NVIDIA/apex 
cd apex 
pip install -v --no-cache-dir ./

deepspeed安装

git clone https://github.com/microsoft/DeepSpeed.git
cd DeepSpeed
TORCH_CUDA_ARCH_LIST="8.6" DS_BUILD_CPU_ADAM=1 DS_BUILD_UTILS=1 pip install . --global-option="build_ext" --global-option="-j8" --no-cache -v --disable-pip-version-check 2>&1 | tee build.log

预训练

  • 数据量不大时，可以适当调小seq_length，不然一个batch连一条数据都分配不到，会报错的。
  • num_gpus * micro_batch_size 一定要能够整除 global_batch_size，不然无法计算累计梯度
  • 数据的格式可以参照如下：
{"src": "www.nvidia.com", "text": "The quick brown fox", "type": "Eng", "id": "0", "title": "First Part"}
{"src": "The Internet", "text": "jumps over the lazy dog", "type": "Eng", "id": "42", "title": "Second Part"}

Megatron

  • 目前跑通的是单机多卡，暂时还没条件搞多机多卡
  • sh ./examples/pt_sh/run_pretrain_gpt.sh
  • 多机：TODO: will be updated

Megatron-DeepSpeed

  • 目前跑通的是单机多卡，暂时还没条件搞多机多卡
  • sh ./examples/pt_sh/run_pretrain_gpt_deepspeed.sh
  • 多机：TODO: will be updated

Continue Pretrain

  • TODO: will be updated

将预训练好的参数转换为huggingface格式：

  • sh ./examples/pt_sh/run_convert_megatron_2_hf.sh

Instruction Finetuning

Non-LoRA Finetune

  • Windows上无法运行bitsandbytes包，所以不能用int8设置进行ift
  • sh ./examples/sft_sh/run_lora_finetune.sh
  • 多机：sh ./sft_sh/run_mpi_lora_finetune.sh

LoRA Finetune

  • Windows上无法运行bitsandbytes包，所以不能用int8设置进行ift
  • Bloom 没有['q_proj', 'v_proj']这两个层，所以可以选择在['query_key_value']这个层设置旁路
  • sh ./examples/sft_sh/run_lora_finetune.sh
  • 多机：sh ./examples/sft_sh/run_mpi_nonlora_finetune.sh

利用chatGPT生成finetune数据（这是个很古老的技术了，纯粹是写了不舍得扔掉，所以还放在这里）

  • 此处的输出带着后缀 not_cleaned，需要人工清洗一下数据，不然数据太脏，直接调用api去迭代生成太浪费钱
  • sh ./examples/sft_sh/run_self_instruct.sh
  • 将生成的sft数据转化为可以直接灌入模型的ift数据：sh ./examples/sft_sh/run_sft_2_ift.sh

RLHF

  • TODO: will be updated

Test and Deployment

Merge Lora Model Weights

  • 将lora weight和模型参数合并可以提高推理速度
  • sh ./examples/depoly_sh/run_merge.sh

Inference Speedup

  • TODO: will be updated

Test&Depolyment

  • 平平无奇的部署
  • sh ./examples/depoly_sh/run_deploy.sh

TODO:

  • RLHF
  • continue pretraining
  • inference speedup
  • 多机pretrain