TRL 文档

广义知识蒸馏训练器

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

广义知识蒸馏训练器

概述

广义知识蒸馏 (GKD) 由 Rishabh Agarwal、Nino Vieillard、Yongchao Zhou、Piotr Stanczyk、Sabela Ramos、Matthieu Geist 和 Olivier Bachem 在论文 《On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes》 中提出。

论文摘要如下:

知识蒸馏 (KD) 广泛用于压缩教师模型,以降低其推理成本和内存占用,其方法是训练一个较小的学生模型。然而,当前用于自回归序列模型的知识蒸馏方法存在训练期间看到的输出序列与学生模型在推理时生成的输出序列之间的分布不匹配问题。为了解决这个问题,我们引入了广义知识蒸馏 (GKD)。GKD 不仅仅依赖于一组固定的输出序列,而是通过利用教师模型对学生模型自生成的输出序列的反馈来训练学生模型。与监督式 KD 方法不同,GKD 还提供了在学生和教师模型之间使用替代损失函数的灵活性,这在学生模型缺乏模仿教师模型分布的表达能力时非常有用。此外,GKD 促进了蒸馏与强化学习微调 (RLHF) 的无缝集成。我们展示了 GKD 在摘要、翻译和算术推理任务上蒸馏自回归语言模型以及在指令调优中进行与任务无关的蒸馏的有效性。

GKD 的关键方面是

  1. 它通过在学生模型自生成的输出序列上进行训练,解决了自回归序列模型中训练-推理分布不匹配的问题。
  2. GKD 允许通过广义 Jensen-Shannon 散度 (JSD) 灵活选择学生模型和教师模型之间的不同散度度量,这在学生模型能力不足以完全模仿教师模型时非常有用。

此后训练方法由 Kashif RasulLewis Tunstall 贡献。

使用技巧

GKDTrainerSFTTrainer 类的一个包装器,它接受一个教师模型参数。它需要通过 GKDConfig 设置三个参数,即

  • lmbda:控制学生数据比例,即同策略 (on-policy) 学生生成输出的比例。当 `lmbda=0.0` 时,损失函数简化为监督式 JSD,学生模型使用教师模型的词元级概率进行训练。当 `lmbda=1.0` 时,损失函数简化为同策略 JSD,学生模型生成输出序列,并从教师模型处获得对这些序列的特定于词元的反馈。对于 [0, 1] 之间的值,它会根据每个批次的 `lmbda` 值在这两者之间随机选择。
  • seq_kd:控制是否执行序列级 KD (可视为在教师生成的输出上进行监督式微调)。当 `seq_kd=True` 且 `lmbda=0.0` 时,损失函数简化为监督式 JSD,教师模型生成输出序列,学生模型从教师模型处获得对这些序列的特定于词元的反馈。
  • beta:控制广义 Jensen-Shannon 散度中的插值。当 `beta=0.0` 时,损失函数近似于前向 KL 散度,而当 `beta=1.0` 时,损失函数近似于反向 KL 散度。对于 [0, 1] 之间的值,它在这两者之间进行插值。

作者发现,同策略数据 (高 `lmbda`) 表现更好,而最优的 `beta` 值则因任务和评估方法而异。

在训练 Gemma 模型 时,请确保设置 `attn_implementation="flash_attention_2"`。否则,由于该架构采用的软上限技术,您将在 logits 中遇到 NaN。

基本 API 如下

from datasets import Dataset
from trl import GKDConfig, GKDTrainer
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
)

NUM_DUMMY_SAMPLES = 100

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-0.5B-Instruct")
# The model to optimise
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-0.5B-Instruct")
# The teacher model to calculate the KL divergence against
teacher_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-1.5B-Instruct")

train_dataset = Dataset.from_dict(
    {
        "messages": [
            [
                {"role": "user", "content": "Hi, how are you?"},
                {"role": "assistant", "content": "I'm great thanks"},
            ]
        ]
        * NUM_DUMMY_SAMPLES
    }
)
eval_dataset = Dataset.from_dict(
    {
        "messages": [
            [
                {"role": "user", "content": "What colour is the sky?"},
                {"role": "assistant", "content": "The sky is blue"},
            ]
        ]
        * NUM_DUMMY_SAMPLES
    }
)

training_args = GKDConfig(output_dir="gkd-model", per_device_train_batch_size=1)
trainer = GKDTrainer(
    model=model,
    teacher_model=teacher_model,
    args=training_args,
    processing_class=tokenizer,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
)
trainer.train()

预期数据集类型

数据集应格式化为“消息”列表,其中每个消息是包含以下键的字典列表

  • role:`system`、`assistant` 或 `user`
  • content:消息内容

GKDTrainer

class trl.GKDTrainer

< >

( model: typing.Union[transformers.modeling_utils.PreTrainedModel, torch.nn.modules.module.Module, str, NoneType] = None teacher_model: typing.Union[transformers.modeling_utils.PreTrainedModel, torch.nn.modules.module.Module, str] = None args: typing.Optional[trl.trainer.gkd_config.GKDConfig] = None data_collator: typing.Optional[transformers.data.data_collator.DataCollator] = None train_dataset: typing.Optional[datasets.arrow_dataset.Dataset] = None eval_dataset: typing.Union[datasets.arrow_dataset.Dataset, dict[str, datasets.arrow_dataset.Dataset], NoneType] = None processing_class: typing.Union[transformers.tokenization_utils_base.PreTrainedTokenizerBase, transformers.image_processing_utils.BaseImageProcessor, transformers.feature_extraction_utils.FeatureExtractionMixin, transformers.processing_utils.ProcessorMixin, NoneType] = None compute_metrics: typing.Optional[typing.Callable[[transformers.trainer_utils.EvalPrediction], dict]] = None callbacks: typing.Optional[list[transformers.trainer_callback.TrainerCallback]] = None optimizers: tuple = (None, None) preprocess_logits_for_metrics: typing.Optional[typing.Callable[[torch.Tensor, torch.Tensor], torch.Tensor]] = None peft_config: typing.Optional[ForwardRef('PeftConfig')] = None formatting_func: typing.Optional[typing.Callable] = None )

train

< >

( resume_from_checkpoint: typing.Union[str, bool, NoneType] = None trial: typing.Union[ForwardRef('optuna.Trial'), dict[str, typing.Any], NoneType] = None ignore_keys_for_eval: typing.Optional[list[str]] = None **kwargs )

参数

  • resume_from_checkpoint (strbool, 可选) — 如果是 str,则为 `Trainer` 的先前实例保存的检查点的本地路径。如果是 `bool` 且等于 `True`,则加载 *args.output_dir* 中由 `Trainer` 的先前实例保存的最后一个检查点。如果存在,训练将从此处加载的模型/优化器/调度器状态恢复。
  • trial (optuna.Trialdict[str, Any], 可选) — 用于超参数搜索的试验运行或超参数字典。
  • ignore_keys_for_eval (list[str], 可选) — 在训练期间收集评估预测时,应忽略的模型输出中的键列表(如果输出是字典)。
  • kwargs (dict[str, Any], 可选) — 用于隐藏已弃用参数的附加关键字参数。

主训练入口点。

save_model

< >

( output_dir: typing.Optional[str] = None _internal_call: bool = False )

将保存模型,以便您可以使用 `from_pretrained()` 重新加载它。

仅从主进程保存。

push_to_hub

< >

( commit_message: typing.Optional[str] = 'End of training' blocking: bool = True token: typing.Optional[str] = None revision: typing.Optional[str] = None **kwargs )

参数

  • commit_message (str, 可选, 默认为 "End of training") — 推送时使用的提交信息。
  • blocking (bool, 可选, 默认为 True) — 函数是否应该在 `git push` 完成后才返回。
  • token (str, 可选, 默认为 None) — 具有写入权限的令牌,用于覆盖 Trainer 的原始参数。
  • revision (str, 可选) — 要提交的 git 修订版本。默认为“main”分支的头部。
  • kwargs (dict[str, Any], 可选) — 传递给 ~Trainer.create_model_card 的其他关键字参数。

将 `self.model` 和 `self.processing_class` 上传到 🤗 模型中心的 `self.args.hub_model_id` 存储库。

GKDConfig

class trl.GKDConfig

< >

( output_dir: typing.Optional[str] = None overwrite_output_dir: bool = False do_train: bool = False do_eval: bool = False do_predict: bool = False eval_strategy: typing.Union[transformers.trainer_utils.IntervalStrategy, str] = 'no' prediction_loss_only: bool = False per_device_train_batch_size: int = 8 per_device_eval_batch_size: int = 8 per_gpu_train_batch_size: typing.Optional[int] = None per_gpu_eval_batch_size: typing.Optional[int] = None gradient_accumulation_steps: int = 1 eval_accumulation_steps: typing.Optional[int] = None eval_delay: typing.Optional[float] = 0 torch_empty_cache_steps: typing.Optional[int] = None learning_rate: float = 2e-05 weight_decay: float = 0.0 adam_beta1: float = 0.9 adam_beta2: float = 0.999 adam_epsilon: float = 1e-08 max_grad_norm: float = 1.0 num_train_epochs: float = 3.0 max_steps: int = -1 lr_scheduler_type: typing.Union[transformers.trainer_utils.SchedulerType, str] = 'linear' lr_scheduler_kwargs: typing.Union[dict[str, typing.Any], str, NoneType] = <factory> warmup_ratio: float = 0.0 warmup_steps: int = 0 log_level: str = 'passive' log_level_replica: str = 'warning' log_on_each_node: bool = True logging_dir: typing.Optional[str] = None logging_strategy: typing.Union[transformers.trainer_utils.IntervalStrategy, str] = 'steps' logging_first_step: bool = False logging_steps: float = 10 logging_nan_inf_filter: bool = True save_strategy: typing.Union[transformers.trainer_utils.SaveStrategy, str] = 'steps' save_steps: float = 500 save_total_limit: typing.Optional[int] = None save_safetensors: typing.Optional[bool] = True save_on_each_node: bool = False save_only_model: bool = False restore_callback_states_from_checkpoint: bool = False no_cuda: bool = False use_cpu: bool = False use_mps_device: bool = False seed: int = 42 data_seed: typing.Optional[int] = None jit_mode_eval: bool = False use_ipex: bool = False bf16: typing.Optional[bool] = None fp16: bool = False fp16_opt_level: str = 'O1' half_precision_backend: str = 'auto' bf16_full_eval: bool = False fp16_full_eval: bool = False tf32: typing.Optional[bool] = None local_rank: int = -1 ddp_backend: typing.Optional[str] = None tpu_num_cores: typing.Optional[int] = None tpu_metrics_debug: bool = False debug: typing.Union[str, list[transformers.debug_utils.DebugOption]] = '' dataloader_drop_last: bool = False eval_steps: typing.Optional[float] = None dataloader_num_workers: int = 0 dataloader_prefetch_factor: typing.Optional[int] = None past_index: int = -1 run_name: typing.Optional[str] = None disable_tqdm: typing.Optional[bool] = None remove_unused_columns: typing.Optional[bool] = True label_names: typing.Optional[list[str]] = None load_best_model_at_end: typing.Optional[bool] = False metric_for_best_model: typing.Optional[str] = None greater_is_better: typing.Optional[bool] = None ignore_data_skip: bool = False fsdp: typing.Union[list[transformers.trainer_utils.FSDPOption], str, NoneType] = '' fsdp_min_num_params: int = 0 fsdp_config: typing.Union[dict[str, typing.Any], str, NoneType] = None fsdp_transformer_layer_cls_to_wrap: typing.Optional[str] = None accelerator_config: typing.Union[dict, str, NoneType] = None deepspeed: typing.Union[dict, str, NoneType] = None label_smoothing_factor: float = 0.0 optim: typing.Union[transformers.training_args.OptimizerNames, str] = 'adamw_torch' optim_args: typing.Optional[str] = None adafactor: bool = False group_by_length: bool = False length_column_name: typing.Optional[str] = 'length' report_to: typing.Union[NoneType, str, list[str]] = None ddp_find_unused_parameters: typing.Optional[bool] = None ddp_bucket_cap_mb: typing.Optional[int] = None ddp_broadcast_buffers: typing.Optional[bool] = None dataloader_pin_memory: bool = True dataloader_persistent_workers: bool = False skip_memory_metrics: bool = True use_legacy_prediction_loop: bool = False push_to_hub: bool = False resume_from_checkpoint: typing.Optional[str] = None hub_model_id: typing.Optional[str] = None hub_strategy: typing.Union[transformers.trainer_utils.HubStrategy, str] = 'every_save' hub_token: typing.Optional[str] = None hub_private_repo: typing.Optional[bool] = None hub_always_push: bool = False hub_revision: typing.Optional[str] = None gradient_checkpointing: bool = False gradient_checkpointing_kwargs: typing.Union[dict[str, typing.Any], str, NoneType] = None include_inputs_for_metrics: bool = False include_for_metrics: list = <factory> eval_do_concat_batches: bool = True fp16_backend: str = 'auto' push_to_hub_model_id: typing.Optional[str] = None push_to_hub_organization: typing.Optional[str] = None push_to_hub_token: typing.Optional[str] = None mp_parameters: str = '' auto_find_batch_size: bool = False full_determinism: bool = False torchdynamo: typing.Optional[str] = None ray_scope: typing.Optional[str] = 'last' ddp_timeout: int = 1800 torch_compile: bool = False torch_compile_backend: typing.Optional[str] = None torch_compile_mode: typing.Optional[str] = None include_tokens_per_second: typing.Optional[bool] = False include_num_input_tokens_seen: typing.Optional[bool] = False neftune_noise_alpha: typing.Optional[float] = None optim_target_modules: typing.Union[NoneType, str, list[str]] = None batch_eval_metrics: bool = False eval_on_start: bool = False use_liger_kernel: typing.Optional[bool] = False liger_kernel_config: typing.Optional[dict[str, bool]] = None eval_use_gather_object: typing.Optional[bool] = False average_tokens_across_devices: bool = True model_init_kwargs: typing.Optional[dict[str, typing.Any]] = None chat_template_path: typing.Optional[str] = None dataset_text_field: str = 'text' dataset_kwargs: typing.Optional[dict[str, typing.Any]] = None dataset_num_proc: typing.Optional[int] = None eos_token: typing.Optional[str] = None pad_token: typing.Optional[str] = None max_length: typing.Optional[int] = 1024 packing: bool = False packing_strategy: str = 'bfd' padding_free: bool = False pad_to_multiple_of: typing.Optional[int] = None eval_packing: typing.Optional[bool] = None completion_only_loss: typing.Optional[bool] = None assistant_only_loss: bool = False activation_offloading: bool = False temperature: float = 0.9 lmbda: float = 0.5 beta: float = 0.5 max_new_tokens: int = 128 teacher_model_name_or_path: typing.Optional[str] = None teacher_model_init_kwargs: typing.Optional[dict[str, typing.Any]] = None disable_dropout: bool = True seq_kd: bool = False )

参数

  • temperature (float, 可选, 默认为 0.9) — 用于采样的温度。温度越高,补全结果的随机性越强。
  • lmbda (float, 可选, 默认为 0.5) — Lambda 参数,用于控制学生数据部分(即同策略下学生生成输出的比例)。
  • beta (float, 可选, 默认为 0.5) — 广义 Jensen-Shannon 散度损失的插值系数,介于 0.01.0 之间。当 beta 为 0.0 时,损失为 KL 散度。当 beta 为 1.0 时,损失为逆 KL 散度。
  • max_new_tokens (int, 可选, 默认为 128) — 每次补全生成的最大词元数。
  • teacher_model_name_or_path (strNone, 可选, 默认为 None) — 教师模型的模型名称或路径。如果为 None,则教师模型将与正在训练的模型相同。
  • teacher_model_init_kwargs (dict[str, Any]]None, 可选, 默认为 None) — 从字符串实例化教师模型时,传递给 `AutoModelForCausalLM.from_pretrained` 的关键字参数。
  • disable_dropout (bool, 可选, 默认为 True) — 是否在模型中禁用 dropout。
  • seq_kd (bool, 可选, 默认为 False) — Seq_kd 参数,用于控制是否执行序列级知识蒸馏(Sequence-Level KD),可视为在教师生成的输出上进行监督微调。

GKDTrainer 的配置类。

此类仅包含特定于 GKD 训练的参数。有关训练参数的完整列表,请参阅 TrainingArgumentsSFTConfig 文档。

< > 在 GitHub 上更新