llama-7b模型大小大约27G，本文在单张/两张 16G V100上基于hugging face的peft库实现了llama-7b的微调。
1、模型和数据准备
使用的大模型：https://huggingface.co/decapoda-research/llama-7b-hf，已经是float16的模型。
微调数据集：https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json
微调的代码已上传到github：https://github.com/jiangxinyang227/LLM-tuning/tree/master/llama_tuning
2、微调技巧
1）lora微调。float16的模型刚刚好存放在16G的GPU上，没有太多显存用于存放梯度、优化器等参数，因此在这里使用lora微调部分参数。
2）混合精度训练，因为llama-7b有27g，想在单张V100上加载就需要转换成float16才行，而lora参数用的是float32，需要使用混合精度训练。同时混合精度训练也会有所加速。
3）梯度累积，单张gpu在存放完模型参数，lora参数、梯度、优化器等参数之后只剩下很少的显存给到输入输出等中间变量，经测试单张V100的极限大致是batch size=1，sequence length=200，只能使用梯度累积实现mini-batch训练。
4）当有多张卡时，可以使用数据并行、模型并行等方法微调，数据并行只是将模型复制到每张GPU上，因此单张GPU的batch size仍然只能是1，模型并行会将模型均分到每个GPU上，可以增大每张GPU上的batch size，在2张V100上测试了ddp（数据并行）和 基于zero-3 + cpu offload（数据并行+模型并行+CPU）。
3、要注意的代码讲解
3.1 data_helper.py
data_helper.py中主要注意下tokenizer()函数，一是padding是在左边padding，和我们通常的右边padding不太一样；二是labels中的pad_id=-100，因为pytorch中label=-100时不参与loss的计算。
def tokenize(self, prompt, add_eos_token=True):
# there's probably a way to do this with the tokenizer settings
# but again, gotta move fast
result = self.tokenizer(
prompt,
truncation=True,
max_length=self.sequence_len,
padding=False,
return_tensors=None
)
input_ids, attention_mask, labels = [], [], []
if (
result["input_ids"][-1] != self.eos_token_id
and len(result["input_ids"]) < self.sequence_len
and add_eos_token
):
result["input_ids"].append(self.eos_token_id)
result["attention_mask"].append(1)
pad_len = self.sequence_len - len(result["input_ids"])
if pad_len <= 0:
input_ids = result["input_ids"][:self.sequence_len]
attention_mask = result["attention_mask"][:self.sequence_len]
labels = input_ids.copy()
else:
input_ids = [self.pad_token_id] * pad_len + result["input_ids"]
attention_mask = [0] * pad_len + result["attention_mask"]
labels = [self.label_pad_token_id] * pad_len + result["input_ids"]
return input_ids, attention_mask, labels
3.2 metric.py
在指标计算中只实现了准确率，在这里要注意的是生成任务是前n-1个token生成第n个token，因此这里的预测结果和label要做一次不同的移位，即
pred_y = pred_y[:-1]
true_y = true_y[1:]
只要注意这里就好了，剩下的你需要计算什么指标都可以。
def accuracy(pred_ys, true_ys, masks):
total = 0
corr = 0
for pred_y, true_y, mask in zip(pred_ys, true_ys, masks):
# 做一层转换，让生成的结果对应上预测的结果，即前n-1个token预测第n个token
pred_y = pred_y[:-1]
true_y = true_y[1:]
mask = mask[:-1]
for p, t, m in zip(pred_y, true_y, mask):
if m == 1:
total += 1
if p == t:
corr += 1
return corr / total if total > 0 else 0
4、训练方式
4.1 单GPU训练
单GPU训练很好理解，训练的时候只要注意下面的一段代码即可，混合精度训练+梯度累积
with autocast():
loss, predictions = self.model(input_ids, attention_mask, labels)
# 梯度累积训练
loss /= self.accu_steps
# loss.backward()
# 放大loss，并求梯度
scaled_loss = self.scaler.scale(loss)
scaled_loss.backward()
if current_step % self.accu_steps == 0:
# 先将梯度缩放回去，再执行梯度裁剪
self.scaler.unscale_(self.optimizer)
clip_grad_norm_(self.model.parameters(), 1.0)
self.scaler.step(self.optimizer)
self.scheduler.step()
self.scaler.update()
self.optimizer.zero_grad()
4.2 多GPU + DDP训练
DDP训练也是大家最常用的方法，尤其是在模型没那么大的情况下，DDP训练就是主流，就不多赘述，在这里值得注意的是，每个GPU会分担一部分数据，在验证的时候如果需要拿到全部数据的验证结果并输出时，需要通过dist.all_gather 或者 dist.gather的方法将验证集的结果聚合到一块。详细代码见https://github.com/jiangxinyang227/LLM-tuning/blob/master/llama_tuning/lora_ddp/trainer.py
def eval(self):
self.model.eval()
with torch.no_grad():
eval_losses = []
eval_word_preds = []
eval_word_labels = []
eval_masks = []
for batch_data in self.valid_data_loader:
input_ids = batch_data[0].cuda()
attention_mask = batch_data[1].cuda()
labels = batch_data[2].cuda()
with autocast():
loss, predictions = self.model(input_ids, attention_mask, labels)
# 获取所有gpu上输出的数据
avg_loss_multi_gpu = reduce_value(loss, average=True)
gather_preds = [torch.zeros_like(predictions, dtype=predictions.dtype) for _ in range(Config.world_size)]
gather_labels = [torch.zeros_like(labels, dtype=labels.dtype) for _ in range(Config.world_size)]
gather_masks = [torch.zeros_like(attention_mask, dtype=attention_mask.dtype) for _ in range(Config.world_size)]
gather_value(predictions, gather_preds)
gather_value(labels, gather_labels)
gather_value(attention_mask, gather_masks)
eval_losses.append(float(avg_loss_multi_gpu))
for pred, label, mask in zip(gather_preds, gather_labels, gather_masks):
eval_word_preds.extend(pred.tolist())
eval_word_labels.extend(label.tolist())
eval_masks.extend(mask.tolist())
if is_main_process():
acc = accuracy(pred_ys=eval_word_preds, true_ys=eval_word_labels, masks=eval_masks)
logger.info("\n")
logger.info("eval: num: {}, loss: {}, acc: {}".format(
len(eval_word_preds), mean(eval_losses), acc))
logger.info("\n")
4.3 deepspeed的zero-3 + cpu offload
在这里使用的是hugging face的accelerate库中的deepspeed方法，zero-3会将模型、梯度、优化器参数都分割到不同的GPU，并且使用cpu offload将一些中间变量放到cpu上，经实测使用两张GPU时，每张GPU的使用大概5个G多一点，单张卡的batch size可以设置到8，但是在实际训练过程中速度比DDP还要慢一点，这里的原因还是因为模型并行、CPU offload等带来了大量的通信工作，所以单张gpu能存放一整个模型时还是首推DDP。
使用accelerate中的deepspeed时，首先要通过accelerate config这个命令互动式配置训练参数，以下是我在配置时选择的参数
在使用deepspeed时可以通过json文件去配置其他参数，accelerate config只配置一些通用参数。zero-3 + cpu offload的json文件如下，配置的时候有几个参数（如allgather_bucket_size 和 reduce_bucket_size）要设小一点，不然显存会爆掉，默认的值会比较大，主要是V100太小了。
{
"fp16": {
"enabled": true,
"loss_scale": 0,
"loss_scale_window": 1000,
"initial_scale_power": 16,
"hysteresis": 2,
"min_loss_scale": 1
},
"optimizer": {
"type": "AdamW",
"params": {
"lr": 3e-4,
"weight_decay": 0.0
}
},
"scheduler": {
"type": "WarmupDecayLR",
"params": {
"warmup_min_lr": "auto",
"warmup_max_lr": "auto",
"warmup_num_steps": "auto",
"total_num_steps": "auto"
}
},
"zero_optimization": {
"stage": 3,
"offload_optimizer": {
"device": "cpu",
"pin_memory": true
},
"offload_param": {
"device": "cpu",
"pin_memory": true
},
"overlap_comm": true,
"contiguous_gradients": true,
"allgather_bucket_size": 1e6, # 参数要小，不然容易内存爆掉
"reduce_bucket_size": 1e6, # 参数要小，不然容易内存爆掉
"stage3_prefetch_bucket_size": 1e6, # 参数要小，不然容易内存爆掉
"stage3_param_persistence_threshold": 1e6, # 参数要小，不然容易内存爆掉
"sub_group_size": 1e9,
"stage3_max_live_parameters": 1e9,
"stage3_max_reuse_distance": 1e9,
"stage3_gather_16bit_weights_on_model_save": true
},
"gradient_accumulation_steps": 1,
"gradient_clipping": 1.0,
"steps_per_print": 2000,
"train_batch_size": "auto",
"train_micro_batch_size_per_gpu": "auto",
"wall_clock_breakdown": false
}
在使用的时候有一个问题一直没有解决，保存模型时，保存完之后会出现GPU1掉线的情况，所以在这里将保存模型放在整个训练结束后保存，这个问题还没找到解决的办法，有知道怎么解的还麻烦指导下。
如果在运行时报这样的错误的话：
Traceback (most recent call last):
File "/mnt/workspace/project/llm/local_proj/chatglm_tune/lora_deepspeed/trainer.py", line 271, in <module>
main()
File "/mnt/workspace/project/llm/local_proj/chatglm_tune/lora_deepspeed/trainer.py", line 265, in main
trainer = Trainer()
File "/mnt/workspace/project/llm/local_proj/chatglm_tune/lora_deepspeed/trainer.py", line 93, in __init__
self.model, self.optimizer, self.train_data_loader, self.valid_data_loader, self.scheduler = self.accelerator.prepare(
File "/home/pai/lib/python3.9/site-packages/accelerate/accelerator.py", line 1118, in prepare
result = self._prepare_deepspeed(*args)
File "/home/pai/lib/python3.9/site-packages/accelerate/accelerator.py", line 1415, in _prepare_deepspeed
engine, optimizer, _, lr_scheduler = deepspeed.initialize(**kwargs)
File "/home/pai/lib/python3.9/site-packages/deepspeed/__init__.py", line 165, in initialize
engine = DeepSpeedEngine(args=args,
File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 308, in __init__
self._configure_optimizer(optimizer, model_parameters)
File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 1173, in _configure_optimizer
self.optimizer = self._configure_zero_optimizer(basic_optimizer)
File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 1463, in _configure_zero_optimizer
optimizer = DeepSpeedZeroOptimizer_Stage3(
File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py", line 298, in __init__
largest_partitioned_param_numel = max([
File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py", line 299, in <listcomp>
max([max(tensor.numel(), tensor.ds_numel) for tensor in fp16_partitioned_group])
ValueError: max() arg is an empty sequence
具体原因不知道为什么会导致这样，可以进入到/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py（具体的路径看报错的日志）文件中，将
largest_partitioned_param_numel = max([
max([max(tensor.numel(), tensor.ds_numel) for tensor in fp16_partitioned_group])
for fp16_partitioned_group in self.fp16_partitioned_groups
])
改成
largest_partitioned_param_numel = max([
max([max(tensor.numel(), tensor.ds_numel) for tensor in fp16_partitioned_group])
for fp16_partitioned_group in self.fp16_partitioned_groups if len (fp16_partitioned_group) > 0
])
即可运行。
参考资料：