AWS Trainium & Inferentia 文档

使用 LoRA 微调 Llama 3 8B

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

使用 LoRA 微调 Llama 3 8B

注意:本教程的完整脚本可在此处下载

本教程将教你如何在 AWS Trainium 上微调像 Llama 3 这样的开源 LLM。在我们的示例中,我们将利用 Optimum NeuronTransformersDatasets 库。

您将学习如何

虽然在本教程中我们将使用 Llama-3 8B,但完全可以使用其他模型,只需切换 model_id 即可。

1. 设置 AWS 环境

在开始本教程之前,你需要设置你的环境

  1. 创建一个 AWS Trainium 实例。你需要一个 trn1.32xlarge 实例,它包含 16 个 Neuron 设备。 你可以按照这篇指南来创建一个。
  2. 确保你已经登录到 Hugging Face Hub
huggingface-cli login --token YOUR_TOKEN
  1. 检查你是否可以访问该模型。一些开源模型是受限的,这意味着用户需要向模型所有者申请才能使用模型权重。这里我们将训练 Llama-3 8B,有两种可能性
  1. 克隆 Optimum Neuron 仓库,其中包含本教程中描述的完整脚本
git clone https://github.com/huggingface/optimum-neuron.git
  1. 确保你安装了 training 附加包,以获取所有必要的依赖项
python -m pip install .[training]

2. 加载并准备数据集

在本教程中,我们将使用 Dolly,这是一个开源的指令遵循记录数据集,其类别在 InstructGPT 论文中有概述,包括头脑风暴、分类、封闭式问答、生成、信息提取、开放式问答和摘要。

示例

{
  "instruction": "What is world of warcraft",
  "context": "",
  "response": (
        "World of warcraft is a massive online multi player role playing game. "
        "It was released in 2004 by bizarre entertainment"
    )
}

我们可以使用 🤗 Datasets 库中的 load_dataset() 方法非常轻松地加载 dolly 数据集。

from datasets import load_dataset
from random import randrange

# Load dataset from the hub
dataset = load_dataset("databricks/databricks-dolly-15k", split="train")

print(f"dataset size: {len(dataset)}")
print(dataset[randrange(len(dataset))])
# dataset size: 15011

为了对我们的模型进行指令微调,我们需要

  1. 将我们的结构化示例转换为通过指令描述的任务集合

  2. (可选)将多个示例打包到一个序列中以进行更高效的训练。换句话说,我们将多个示例堆叠成一个示例,并用 EOS 标记分隔它们。

我们可以手动完成这些操作,但我们将改用 NeuronSFTTrainer

3. 使用 NeuronSFTTrainer 在 AWS Trainium 上对 Llama 进行监督式微调

通常,你会使用 SFTConfigSFTTrainer 类来对基于 PyTorch 的 Transformer 模型进行监督式微调。

在这里,我们将改用 NeuronSFTConfigNeuronSFTTrainer。这些类复制了 trl 库中的类,同时确保它们在 Neuron 核心上正常工作。

格式化我们的数据集

有多种方法可以将数据集提供给 NeuronSFTTrainer,其中一种是提供一个格式化函数。对于不打包示例的 dolly,它看起来如下

def format_dolly(examples):
    output_text = []
    for i in range(len(examples["instruction"])):
        instruction = f"### Instruction\n{examples['instruction'][i]}"
        context = f"### Context\n{examples['context'][i]}" if len(examples["context"][i]) > 0 else None
        response = f"### Answer\n{examples['response'][i]}"
        prompt = "\n\n".join([i for i in [instruction, context, response] if i is not None])
        output_text.append(prompt)
    return output_text

准备模型

由于 Llama-3 8B 是一个大模型,即使使用分布式训练,它也无法在一个 trn1.32xlarge 实例上容纳。要仅使用一个 Trainium 实例实际微调一个 8B 模型,我们需要同时使用 LoRA 和分布式训练。

如果你想了解更多关于分布式训练的信息,可以查看文档

在这里,我们将结合 LoRA 使用张量并行。我们的训练代码将如下所示

from peft import LoraConfig
from optimum.neuron import NeuronSFTConfig, NeuronSFTTrainer

# Define the tensor_parallel_size
tensor_parallel_size = 2

dataset = load_dataset("databricks/databricks-dolly-15k", split="train")

model_id = "meta-llama/Meta-Llama-3-8B"

tokenizer = AutoTokenizer.from_pretrained(model_id)
tokenizer.pad_token = tokenizer.eos_token

model = AutoModelForCausalLM.from_pretrained(model_id)

config = LoraConfig(
    r=16,
    lora_alpha=16,
    lora_dropout=0.05,
    target_modules=[
        "q_proj",
        "gate_proj",
        "v_proj",
        "o_proj",
        "k_proj",
        "up_proj",
        "down_proj"
    ],
    bias="none",
    task_type="CAUSAL_LM",
)

# training_args is an instance of NeuronTrainingArguments
args = training_args.to_dict()
sft_config = NeuronSFTConfig(
    max_seq_length=1024,
    packing=False,
    **args,
)

trainer = NeuronSFTTrainer(
    args=sft_config,
    model=model,
    peft_config=config,
    tokenizer=tokenizer,
    train_dataset=dataset,
    formatting_func=format_dolly,
)

# Start training
trainer.train()

trainer.save_model()  # Saves the tokenizer too for easy upload

这里的关键点是

  • 我们定义了一个 LoraConfig,它指定了哪些层应该有适配器,以及这些适配器的超参数。
  • 我们从常规的 NeuronTrainingArguments 创建一个 NeuronSFTConfig。这里我们指定不打包我们的示例,并且最大序列长度应为 1024,这意味着每个示例都将被填充或截断到 1024 的长度。
  • 我们使用 NeuronSFTTrainer 来进行训练。它将接收模型以及 lora_configsft_configformat_dolly,并准备用于监督式微调的数据集和模型。

4. 启动训练

我们准备了一个名为 sft_lora_finetune_llm.py 的脚本,总结了本教程中提到的所有内容。

PyTorch Neuron 使用 torch_xla。它在训练循环执行期间延迟评估操作,这意味着它在后台构建一个符号图,并且只有在打印张量、将其传输到 CPU 或调用 xm.mark_step() 时,图才会在硬件上执行。在执行过程中,根据控制流可能会构建多个图,按顺序编译每个图可能需要时间。为了缓解这个问题,Neuron SDK 提供了 neuron_parallel_compile,这是一个执行快速试运行的工具,它会构建所有图并并行编译它们。这个步骤通常被称为预编译。

预编译

在 AWS Trainium 上训练模型时,我们首先需要用我们的训练参数来编译模型。

为了简化这一步,我们添加了一个模型缓存仓库,它允许我们使用来自 Hugging Face Hub 的预编译模型来跳过编译步骤。这很有用,因为它能比实际训练时更快地编译模型,因为编译可以并行化。但要注意:模型配置的任何更改都可能导致新的编译,这可能会导致一些缓存未命中。

要了解更多关于缓存系统以及如何创建自己的私有缓存仓库的信息,请查看这篇指南

编译命令只需将你的脚本作为输入传递给 neuron_parallel_compile 工具即可

#!/bin/bash
set -ex

export NEURON_FUSE_SOFTMAX=1
export NEURON_RT_ASYNC_EXEC_MAX_INFLIGHT_REQUESTS=3
export MALLOC_ARENA_MAX=64 # limit the CPU allocation to avoid potential crashes
export NEURON_CC_FLAGS="--model-type=transformer --distribution-strategy=llm-training --enable-saturate-infinity --cache_dir=/home/ubuntu/cache_dir_neuron/"

PROCESSES_PER_NODE=8

TP_DEGREE=2
PP_DEGREE=1
BS=1
GRADIENT_ACCUMULATION_STEPS=8
LOGGING_STEPS=1
MODEL_NAME="meta-llama/Meta-Llama-3-8B"
OUTPUT_DIR=dolly_llama_output

if [ "$NEURON_EXTRACT_GRAPHS_ONLY" = "1" ]; then
    MAX_STEPS=10
    NUM_EPOCHS=1
else
    MAX_STEPS=-1
    NUM_EPOCHS=3
fi


torchrun --nproc_per_node $PROCESSES_PER_NODE docs/source/training_tutorials/sft_lora_finetune_llm.py \
  --model_id $MODEL_NAME \
  --num_train_epochs $NUM_EPOCHS \
  --do_train \
  --learning_rate 5e-5 \
  --warmup_ratio 0.03 \
  --max_steps $MAX_STEPS \
  --per_device_train_batch_size $BS \
  --per_device_eval_batch_size $BS \
  --gradient_accumulation_steps $GRADIENT_ACCUMULATION_STEPS \
  --gradient_checkpointing true \
  --bf16 \
  --tensor_parallel_size $TP_DEGREE \
  --pipeline_parallel_size $PP_DEGREE \
  --logging_steps $LOGGING_STEPS \
  --save_total_limit 1 \
  --output_dir $OUTPUT_DIR \
  --lr_scheduler_type "constant" \
  --overwrite_output_dir

为方便起见,我们将这个 shell 脚本保存到一个文件中,sft_lora_finetune_llm.sh。你现在可以将其传递给 neuron_parallel_compile 工具来触发编译

neuron_parallel_compile bash docs/source/training_tutorials/sft_lora_finetune_llm.sh

注意:在编译结束时,可能会出现一个 `FileNotFoundError` 消息。你可以安全地忽略它,因为一些编译缓存已经创建好了。

这个预编译阶段会运行 10 个训练步骤,以确保编译器已经编译了所有必要的图。这通常足以累积和编译实际训练期间需要的所有图。

注意:没有缓存的编译可能需要一段时间。它还会在编译期间在 `dolly_llama_output` 目录中创建一些虚拟文件,你之后需要将它们删除。

# remove dummy artifacts which are created by the precompilation command
rm -rf dolly_llama_output

实际训练

编译完成后,我们可以用类似的命令开始我们的实际训练,我们只需要移除对 `neuron_parallel_compile` 的使用。

我们将使用 `torchrun` 来启动我们的训练脚本。`torchrun` 是一个可以自动将 PyTorch 模型分布到多个加速器上的工具。我们可以将加速器的数量作为 `nproc_per_node` 参数与我们的超参数一起传递。

与编译命令的区别在于,我们更改了变量 `max_steps=10` 和 `num_train_epochs=3`。

使用与预编译步骤中相同的命令启动训练,但不带 `neuron_parallel_compile`

bash docs/source/training_tutorials/sft_lora_finetune_llm.sh

就是这样,我们成功地在 AWS Trainium 上训练了 Llama-3 8B!

但在我们分享和测试我们的模型之前,我们需要整合我们的模型。由于我们在训练期间使用了张量并行,我们保存了检查点的分片版本。我们现在需要将它们整合起来。

整合检查点并合并模型

Optimum CLI 提供了一种非常简单的方法,通过 `optimum neuron consolidate [sharded_checkpoint] [output_dir]` 命令来实现这一点。

optimum-cli neuron consolidate dolly_llama_output dolly_llama_output

这将创建一个 `adapter_model.safetensors` 文件,即我们在上一步中训练的 LoRA 适配器权重。我们现在可以重新加载模型并将其合并,以便可以加载它进行评估。

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel, PeftConfig

MODEL_NAME = 'meta-llama/Meta-Llama-3-8B'
ADAPTER_PATH = 'dolly_llama_output'
MERGED_MODEL_PATH = 'dolly_llama'

# Load base odel
model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)

# Load adapter configuration and model
adapter_config = PeftConfig.from_pretrained(ADAPTER_PATH)
finetuned_model = PeftModel.from_pretrained(model, ADAPTER_PATH, config=adapter_config)

print("Saving tokenizer")
tokenizer.save_pretrained(MERGED_MODEL_PATH)
print("Saving model")
finetuned_model = finetuned_model.merge_and_unload()
finetuned_model.save_pretrained(MERGED_MODEL_PATH)

这个步骤可能需要几分钟。我们现在有了一个目录,其中包含评估微调模型所需的所有文件。

5. 评估和测试微调后的 Llama 模型

与训练一样,为了能够在 AWS Trainium 或 AWS Inferentia2 上运行推理,我们需要编译我们的模型。在这种情况下,我们将使用我们的 Trainium 实例进行推理测试,但你可以切换到 Inferentia2(`inf2.24xlarge`)进行推理。

Optimum Neuron 实现了类似于 Transformers AutoModel 的类,以便于推理使用。我们将使用 `NeuronModelForCausalLM` 类来加载我们原始的 transformers 检查点,并将其转换为 neuron。

from optimum.neuron import NeuronModelForCausalLM
from transformers import AutoTokenizer

compiler_args = {"num_cores": 2, "auto_cast_type": 'fp16'}
input_shapes = {"batch_size": 1, "sequence_length": 2048}

tokenizer = AutoTokenizer.from_pretrained("dolly_llama")
model = NeuronModelForCausalLM.from_pretrained(
        "dolly_llama",
        export=True,
        **compiler_args,
        **input_shapes)

注意:推理编译可能需要长达 25 分钟。幸运的是,你只需要运行一次。与训练前完成的预编译步骤一样,如果你更改运行推理的硬件,例如从 Trainium 移动到 Inferentia2,你也需要运行此编译步骤。编译是参数和硬件特定的。

# COMMENT IN if you want to save the compiled model
# model.save_pretrained("compiled_dolly_llama_output")

我们现在可以测试推理了,但必须确保我们将输入格式化为我们用于微调的提示格式。因此,我们创建了一个辅助方法,它接受一个包含 `instruction` 和可选的 `context` 的 `dict`。

def format_dolly_inference(sample):
    instruction = f"### Instruction\n{sample['instruction']}"
    context = f"### Context\n{sample['context']}" if "context" in sample else None
    response = f"### Answer\n"
    prompt = "\n\n".join([i for i in [instruction, context, response] if i is not None])
    return prompt


def generate(sample):
    prompt = format_dolly_inference(sample)
    inputs = tokenizer(prompt, return_tensors="pt")
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        do_sample=True,
        temperature=0.9,
        top_k=50,
        top_p=0.9
    )
    return tokenizer.decode(outputs[0], skip_special_tokens=False)[len(prompt):]

让我们测试一下推理。首先我们测试没有上下文的情况。

注意:在 AWS Trainium 上使用 2 个核心进行推理,速度预计不会非常快。对于推理,我们建议使用 Inferentia2。

prompt = {
  "instruction": "Can you tell me something about AWS?"
}
res = generate(prompt)

print(res)

AWS 代表 Amazon Web Services。AWS 是亚马逊提供的一套远程计算服务。其中最广泛使用的包括 Amazon Elastic Compute Cloud(Amazon EC2),它在云中提供可调整大小的计算容量;Amazon Simple Storage Service(Amazon S3),它是一种对象存储服务;以及 Amazon Elastic Block Store(Amazon EBS),它旨在为 AWS 实例提供高性能、持久的块存储卷。AWS 还提供其他服务,例如 AWS Identity and Access Management(IAM),一项使组织能够控制对其 AWS 资源访问的服务,以及 AWS Key Management Service(AWS KMS),它帮助客户创建和控制加密密钥的使用。

这看起来是正确的。现在,让我们添加一些上下文,例如在 RAG 应用中你会做的那样

prompt = {
  "instruction": "How can I train models on AWS Trainium?",
  "context": "🤗 Optimum Neuron is the interface between the 🤗 Transformers library and AWS Accelerators including [AWS Trainium](https://aws.amazon.com/machine-learning/trainium/?nc1=h_ls) and [AWS Inferentia](https://aws.amazon.com/machine-learning/inferentia/?nc1=h_ls). It provides a set of tools enabling easy model loading, training and inference on single- and multi-Accelerator settings for different downstream tasks."
}
res = generate(prompt)

print(res)

你可以使用 Optimum Neuron 接口在 AWS Trainium 上训练模型。

太棒了,我们的模型也正确地使用了提供的上下文。我们完成了。恭喜你在 AWS Trainium 上微调了 Llama。