AWS Trainium & Inferentia 文档
使用 LoRA 微调 Llama 3 8B
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 Neuron、Transformers 和 Datasets 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
- 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。 - 确保你已经登录到 Hugging Face Hub
huggingface-cli login --token YOUR_TOKEN
- 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
- 官方受限仓库:
meta-llama/Meta-Llama-3-8B
- 非官方不受限仓库:
NousResearch/Meta-Llama-3-8B
- 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
- 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
将我们的结构化示例转换为通过指令描述的任务集合
(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 SFTConfig 和 SFTTrainer 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 NeuronSFTConfig
和 NeuronSFTTrainer
。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_config
、sft_config
和format_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。