InstructGLM:基于ChatGLM-6B在指令数据集上进行微调

InstructGLM

基于ChatGLM-6B+LoRA在指令数据集上进行微调

https://github.com/yanqiangmiffy/InstructGLM

本项目主要内容：

• 2023/4/9 发布了基于100万条由BELLE项目生成的中文指令数据的Lora权重，具体可见output/belle/chatglm-lora.pt
• 2023/4/8 基于deepspeed支持多卡微调，速度相比单卡提升8-9倍具体设置可见 微调3 基于DeepSpeed进行Lora微调
• 2023/3/28 开源了基于alpaca和belle数据指令微调后的lora权重，详情可见output
• 2023/3/25 针对ChatGLM-6B模型基于LoRA技术进行微调
• 2023/3/23 基于gradio的demo完善

Todo

• deepspeed支持
• 模型评估,如何评估微调后的模型效果

开源指令数据集

• 斯坦福52k英文指令数据

instruction:52K 条指令中的每一条都是唯一的,答案由text-davinci-003模型生成得到的

• BELLE项目生成的中文指令数据：0.5m&1m

1百万数据：https://huggingface.co/datasets/BelleGroup/generated_train_1M_CN

生成方式基于种子prompt，调用openai的api生成中文指令

• GuanacoDataset 多语言指令数据集

Guanaco 是在 Meta 的 LLaMA 7B 模型上训练的指令跟随语言模型。在 Alpaca 模型原始 52K 数据的基础上，我们添加了额外的 98,369 个条目，涵盖英语、简体中文、繁体中文（台湾）、繁体中文（香港）、日语、德语以及各种语言和语法任务。通过使用这些丰富的数据重新训练和优化模型，Guanaco 在多语言环境中展示了出色的性能和潜力。项目链接可以查看
https://guanaco-model.github.io/

• alpaca中文指令微调数据集

与原始alpaca数据json格式相同,数据生成的方法是机器翻译和self-instruct

• 人工精调的中文对话数据集

加入除了alpaca之外的其他中文聊天对话
人工微调，部分并不中文化的问题，我们将重新询问chatgpt或文心一言，重新获取回答并覆盖掉alpaca的回答

• firefly-train-1.1M ， 一份高质量的包含1.1M中文多任务指令微调数据集，包含23种常见的中文NLP任务的指令数据。对于每个任务，由人工书写若干指令模板，保证数据的高质量与丰富度。

微调1：alpaca英文指令数据

斯坦福羊驼52k数据，原始数据格式如下：

{
    "instruction": "Evaluate this sentence for spelling and grammar mistakes",
    "input": "He finnished his meal and left the resturant",
    "output": "He finished his meal and left the restaurant."
}

数据集地址：https://github.com/tatsu-lab/stanford_alpaca

1.数据预处理

转化alpaca数据集为jsonl,这一步可以执行设置数据转换后格式，比如：

###Instruction:xxx###Input:xxxx###Response:xxx

python cover_alpaca2jsonl.py \
    --data_path data/alpaca_data.json \
    --save_path data/alpaca_data.jsonl 

对文本进行tokenize,加快训练速度，文本长度可根据运行资源自行设置

python tokenize_dataset_rows.py \
    --jsonl_path data/alpaca_data.jsonl \
    --save_path data/alpaca \
    --max_seq_length 320

2. 模型训练

python train_lora.py \
    --dataset_path data/alpaca \
    --lora_rank 8 \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 1 \
    --max_steps 52000 \
    --save_steps 1000 \
    --save_total_limit 2 \
    --learning_rate 2e-5 \
    --fp16 \
    --remove_unused_columns false \
    --logging_steps 50 \
    --output_dir output

微调2:BELLE中文指令数据

包含543314条由BELLE项目生成的中文指令数据,数据格式如下：

input	target
用一句话描述地球为什么是独一无二的。\n	地球上有适宜生命存在的条件和多样化的生命形式

数据集地址：https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN

1.数据预处理

转化bell数据集为jsonl

python cover_alpaca2jsonl.py \
    --dataset_name BelleGroup/generated_train_0.5M_CN \
    --save_path data/belle_data.jsonl 

文本长度统计

count    543314.000000
mean         83.536944
std          95.665178
min           4.000000
25%          33.000000
50%          51.000000
75%          88.000000
90%         194.000000
max        4410.000000
Name: input_len, dtype: float64

count    543314.000000
mean        121.079030
std         165.472722
min           1.000000
25%          27.000000
50%          67.000000
75%         151.000000
90%         296.000000
max        9463.000000
Name: target_len, dtype: float64

分词处理

python tokenize_dataset_rows.py \
    --jsonl_path data/belle_data.jsonl \
    --save_path data/belle \
    --max_seq_length 320

转换后的数据：

                                           input_ids  seq_len                                                                                                                   
0  [20005, 92863, 20012, 20005, 83864, 87784, 871...       20
1  [20005, 92863, 20012, 20005, 91432, 86523, 885...       80
2  [20005, 92863, 20012, 104069, 85056, 86334, 89...       61
3  [20005, 92863, 20012, 91492, 89122, 83866, 852...       24
4  [20005, 92863, 20012, 20005, 83834, 99899, 927...       24

2. 模型训练

• 基于原始chatglm-6b训练

python train_lora.py \
    --dataset_path data/belle \
    --lora_rank 8 \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 1 \
    --max_steps 52000 \
    --save_steps 1000 \
    --save_total_limit 2 \
    --learning_rate 2e-5 \
    --fp16 \
    --remove_unused_columns false \
    --logging_steps 50 \
    --output_dir output

• 基于alpaca的lora继续微调

python train_lora.py \
    --dataset_path data/belle \
    --lora_rank 8 \
    --per_device_train_batch_size 8 \
    --gradient_accumulation_steps 1 \
    --max_steps 52000 \
    --save_steps 10000 \
    --save_total_limit 2 \
    --learning_rate 2e-5 \
    --fp16 \
    --remove_unused_columns false \
    --logging_steps 50 \
    --output_dir output/belle \
    --is_resume True \
    --resume_path output/alpaca/chatglm-lora.pt

微调3:基于DeepSpeed进行Lora微调

支持多卡+zero方案，训练速度可提高8倍左右

accelerate launch --config_file config/default_config.yaml train_new.py

实验环境

• 安装所需要的包：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
• 显卡：2xA100 80G

实验结果

• 训练好的lora权重

└─output
    ├─alpaca:基于52k微调的lora权重
    ├─belle：:基于52k微调的lora权重+belle微调的权重52000steps
    └─belle_raw：belle微调的权重104000steps

链接：https://pan.baidu.com/s/1c-zRSEUn4151YLoowPN4YA?pwd=hxbr
提取码：hxbr
--来自百度网盘超级会员V3的分享

• alpaca数据微调效果

• belle数据微调效果

Reference

非常感谢以下作者的无私开源

• https://github.com/mymusise/ChatGLM-Tuning
• https://huggingface.co/BelleGroup/BELLE-7B-2M
• https://github.com/LianjiaTech/BELLE
• https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN
• https://huggingface.co/datasets/JosephusCheung/GuanacoDataset
• https://guanaco-model.github.io/
• https://github.com/carbonz0/alpaca-chinese-dataset
• https://github.com/THUDM/ChatGLM-6B
• https://huggingface.co/THUDM/chatglm-6b
• https://github.com/lich99/ChatGLM-finetune-LoRA

Bugs

• gcc版本升级

yum install centos-release-scl -y
yum install devtoolset-9 -y

#临时覆盖系统原有的gcc引用
scl enable devtoolset-9 bash

# 查看gcc版本
gcc -v