FSDP-QLoRA

FSDP-QLoRA 结合了数据并行性（FSDP 允许将模型参数、优化器状态和梯度在 GPU 之间进行分片）、4 位量化和 LoRA，可以在双 24GB GPU 系统上训练高达 70B 参数的 LLM。该技术由 Answer.AI 与 bitsandbytes 合作发布，旨在使 LLM 的训练更高效，并使每个人都能更容易地访问 LLM。

本指南简要介绍了 bitsandbytes 如何支持将量化权重存储以启用 FSDP-QLoRA，以及如何使用 Hugging Face 库运行训练。

bitsandbytes 为支持 FSDP-QLoRA 所需的其他更改，例如从量化元数据重建权重，以及在将已量化权重从 CPU 移动到 GPU 时阻止量化已量化权重，已在此 Pull Request 中记录，并在 Enabling 70B Finetuning on Consumer GPUs 博客文章中进行了描述。我们强烈建议您阅读这些资源，以更好地了解 FSDP-QLoRA！

量化数据存储

FSDP 仅支持分片浮点数据类型，这可能存在问题，因为量化权重通常存储为整数数据类型（uint8）。bitsandbytes 没有这个问题，因为它使用 StoreChar 来读取和写入量化权重，而不管数据类型存储是什么。这使得在 Linear4bit 和 Params4bit 类中添加 quant_storage 参数并将其设置为 torch.uint8 变得非常简单，从而保持与代码库的向后兼容性。使用 quant_storage 参数，您可以选择任何 FSDP 支持的数据类型来分片 Linear4bit，例如 bfloat16、float16 或 float32。

您通常会从 transformers.BitsAndBytesConfig 中访问和配置此选项，方法是设置 bnb_4bit_quant_storage 参数。非常重要的是 quant_storage 数据类型与模型中使用的其他数据类型匹配，因为 FSDP 只能包装具有相同浮点数据类型的层和模块。确保数据类型一致将确保模型被正确地分片。

compute_dtype 是在 CUDA 内核中用于计算的数据类型，其中 4 位量化权重从 quant_storage 中的数据类型解包并反量化为 compute_dtype。我们建议使用 torch.bfloat16（如果您的硬件支持）以获得更好的数值稳定性。

from transformers import BitsAndBytesConfig, AutoModelForCausalLM

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_quant_storage=torch.bfloat16,
)

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-2-70b",
    quantization_config=bnb_config,
    torch_dtype=torch.bfloat16,
)

查看 PEFT 文档中的此部分，了解用于运行 FSDP-QLoRA 训练的配置文件和训练代码。

训练

FSDP 是一个分布式训练框架，需要使用诸如 Accelerate 或 torchrun 之类的库作为分布式训练作业启动。本节提供的启动命令使用 Accelerate 启动训练脚本。

bitsandbytes 与 Hugging Face 生态系统深度集成，使其易于与 Transformers、PEFT 和 TRL 之类的库一起使用。

PEFT 提供了一个配置文件 (fsdp_config_qlora.yaml)、启动命令 (run_peft_qlora_fsdp.sh) 和训练脚本 (train.py)，用于运行 FSDP-QLoRA。要了解更多信息，请查看 Use PEFT QLoRA and FSDP for finetuning large models on multiple GPUs 文档。本节简要介绍了运行 FSDP-QLoRA 训练的步骤。

在开始之前，请确保你已经安装了最新的库。

pip install -U bitsandbytes accelerate transformers peft trl

启用 FSDP-QLoRA 训练的重要更改是 BitsAndBytesConfig 类中的 bnb_4bit_quant_storage 参数。这允许你将量化权重的存储数据类型设置为浮点数据类型。

from transformers import BitsAndBytesConfig

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_storage=torch.bfloat16,
)

将 BitsAndBytesConfig 传递给模型以设置 FSDP-QLoRA。你应该将 torch_dtype 参数设置为与 bnb_4bit_quant_storage 相匹配，以便 Linear4bit 层与 Linear 层相同。如果存储类型不匹配，那么每个 Linear4bit 层将单独包装。

from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-2-70b",
    quantization_config=bnb_config,
    torch_dtype=torch.bfloat16,
)

通过设置 target_modules="all-linear" 来配置 ~peft.LoraConfig 类以进行 QLoRA 训练。

from peft import LoraConfig

peft_config = LoraConfig(
    lora_alpha=16,
    lora_dropout=0.1,
    r=64,
    bias="none",
    task_type="CAUSAL_LM",
    target_modules="all-linear",
)

现在你可以将所有内容传递给 SFTTrainer 进行训练。

from trl import SFTTrainer

trainer = SFTTrainer(
    model=model,
    train_dataset=dataset,
    peft_config=peft_config,
    dataset_text_field="text",
    max_seq_length=max_seq_length,
    tokenizer=tokenizer,
    args=training_arguments,
)
trainer.train()

资源

要了解更多关于 FSDP 和 QLoRA 的信息，请查看以下资源

The AnswerDotAI/fsdp_qlora 仓库。
Answer.AI 的介绍性文章 You can now train a 70b language model at home。
要了解 FSDP 的介绍，请阅读 Introducing PyTorch Fully Sharded Data Parallel (FSDP) API 博客文章。
有关 QLoRA 的更多详细信息，请查看 Making LLMs even more accessible with bitsandbytes, 4-bit quantization and QLoRA 博客文章。

< > 在 GitHub 上更新

Bitsandbytes

FSDP-QLoRA

量化数据存储

训练

资源