# 飞桨大模型套件精调文档 ## 1.飞桨精调特色 大模型精调（Supervised Fine-Tuning，SFT）作为大语言模型（LLM）的重要一环，其主要目标是使模型能够遵循指令输出预期回答，有效提升通用模型在特定的领域和应用场景的效果，更好的满足大模型的个性化应用。 是一种用于改进和定制预训练大语言模型的方法。 - 易用并行策略：支持纯数据并行（Data Parallelism）、分组参数切片的数据并行（Sharding Parallelism）、张量模型并行（Tensor Parallelism）、流水线模型并行（Pipeline Parallelism）、序列并行(Sequence parallelism)。 - 多种精度训练：16/32bit 全量精调、4/8/16bit LoRA 精调、混合量化 LoRA 精调。 - 性能极致优化：FlashAttention-2、FlashMask、Greedy Zero Padding。 - 先进精调策略：LoRA+、PiSSA、rsLoRA、NEFTune、VeRA、MoRA、ReFT、MoSLoRA。 更多算法原理细节详见[飞桨大模型常见算法文档](algorithm_overview.md) ## 2.大模型精调介绍 下面我们将介绍 SFT 常用的技术：
llm
大模型精调原理介绍
- 全量精调: 最常用的 SFT 技术，在指令数据集上重新训练预训练模型的所有参数。这种方法通常能提供最佳结果，但需要大量的计算资源。 - LoRA: 低秩适配（Low-Rank Adaptation）是最常用参数高效微调(PEFT，Parameter-Efficient Fine-Tuning)技术。它不是重新训练整个模型，而是冻结权重，并在每个目标线性层引入低秩矩阵。这使得 LoRA 所需训练的参数数量大幅减少（少于1%），从而减少了内存使用和训练时间。 - QLoRA:量化感知低秩适配（Quantized Low-Rank Adaptation）与标准 LoRA 相比，它可额外减少多达33%的内存使用，使其在 GPU 内存受限的情况下尤为有用。QLoRA 通常比普通 LoRA 多花费约20%的时间，但其显著的内存节省使其在 GPU 内存有限的情况下成为唯一可行的选择。 ## 3. 快速开始 接下来我们将以**Llama 3**为例介绍如何使用统一脚本进行 SFT 全参精调和 LoRA 精调。 ### 3.1 环境准备 - PaddlePaddle 3.0-beta - PaddleNLP 3.0.0b3 - PaddleSlim develop git clone 代码到本地，即可开始。 ```bash git clone https://github.com/PaddlePaddle/PaddleNLP.git # pip install ./PaddleNLP 使用develop版本 cd PaddleNLP/llm # 到达运行目录 ``` ### 3.2 精调数据准备 为了方便用户测试，我们也提供示例数据集[广告生成数据集](https://bj.bcebos.com/paddlenlp/datasets/examples/AdvertiseGen.tar.gz)，用户也可以仿照数据集的格式制作自己的数据集进行精调。我们支持的数据格式是每行包含一个字典，每个字典包含以下字段： - `src` : `str, List(str)`, 模型的输入指令（instruction）、提示（prompt），模型应该执行的任务。 - `tgt` : `str, List(str)`, 模型的输出。 样例数据： ``` {"src": "类型#裙*颜色#蓝色*风格#清新*图案#蝴蝶结", "tgt": "裙身处采用立体蝴蝶结装饰辅以蓝色条带点缀，令衣身造型饱满富有层次的同时为其注入一丝甜美气息。将女孩清新娇俏的一面衬托而出。"} ... ``` ### 3.3 全参精调 ``` python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/sft_argument.json ``` 1. `zero_padding`和`greedy_zero_padding`同时设为 True 有助于提高训练效率。建议将`per_device_train_batch_size`设为1，使用`gradient_accumulation_steps`控制 batch size，适当调整`max_length`取值。 2. 设置`use_flash_attention`为 True 使用 FlashAttention。在 FlashAttention 打开的基础上设置`flash_mask`为 True 使用 FlashMask。 3. SFT API 支持4D 并行策略，可以通过控制`tensor_parallel_degree`、`pipeline_parallel_degree`、 `sharding`、`sharding_parallel_degree`调整 ### 3.4 PEFT #### 3.4.1 LoRA/QLoRA ``` # 单卡LoRA python run_finetune.py ./config/llama/lora_argument.json # 单卡QLoRA python run_finetune.py ./config/llama/qlora_argument.json # 多卡LoRA python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/lora_argument.json # 多卡QLoRA python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/qlora_argument.json ``` **Note:** 1. `zero_padding`和`greedy_zero_padding`同时设为 True 有助于提高训练效率。建议将`per_device_train_batch_size`设为1，使用`gradient_accumulation_steps`控制 batch size，适当调整`max_length`取值。 2. LoRA 策略默认应用在所有 Linear 层。 3. 可以通过设置`weight_quantize_algo`将主干模型量化低比特，例如'weight_only_int4','weight_only_int8'，'nf4'或'fp4'。具体参考精调参数介绍 4. 设置`use_flash_attention`为 True 使用 FlashAttention。在 FlashAttention 打开的基础上设置`flash_mask`为 True 使用 FlashMask。 5. LoRA API 支持4D 并行策略，可以通过控制`tensor_parallel_degree`、`pipeline_parallel_degree`、 `sharding`、`sharding_parallel_degree`调整并行训练策略，可拓展至**单机 LoRA 微调千亿模型**。 6. 可配置`rslora`、`lora_plus_scale`、`pissa`、`lora_use_mixer`、`mixer_num`、`use_mora`等参数，使用 rsLoRA、LoRa+、PiSSA、MosLoRA（暂不支持张量模型并行）、LinChain（暂不支持张量模型并行）、MoRA（暂不支持张量模型并行） 等算法。 为了后续的**压缩**和**静态图推理**方便，我们提供 LoRA 参数合并脚本，可以将 LoRA 参数合并到主干模型并保存相应的权重。 ``` python merge_lora_params.py \ --model_name_or_path ./base_model \ --lora_path ./checkpoints/lora_ckpts \ --output_path ./checkpoints/lora_merge \ --device "gpu" \ --safe_serialization True ```   脚本参数介绍
- `lora_path`: LoRA 参数和配置路径，对 LoRA 参数进行初始化，默认为 None。 - `model_name_or_path`: 必须，主干模型参数路径，默认为 None。 - `merge_model_path`: 必须，合并参数后保存路径，默认为 None。 - `device`: 运行环境，默认为 gpu。 - `safe_serialization`: 是否保存为 safetensor 格式，默认为 True。
#### 3.4.2 Prefix Tuning ``` # 单卡Prefix Tuning python run_finetune.py ./config/llama/pt_argument.json # 多卡Prefix Tuning python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/pt_argument.json ``` #### 3.4.3 VeRA ``` # 单卡VeRA python run_finetune.py ./config/llama/vera_argument.json # 多卡VeRA（暂不支持张量模型并行） python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/vera_argument.json ``` 为了后续的**压缩**和**静态图推理**方便，我们提供 VeRA 参数合并脚本，可以将 VeRA 参数合并到主干模型并保存相应的权重。 ``` python merge_vera_params.py \ --model_name_or_path ./base_model \ --vera_path ./checkpoints/vera_ckpts \ --merge_vera_model_path ./checkpoints/vera_merge \ --device "gpu" \ --safe_serialization True ```   脚本参数介绍
- `vera_path`: VeRA 参数和配置路径，对 VeRA 参数进行初始化，默认为 None。 - `model_name_or_path`: 必须，主干模型参数路径，默认为 None。 - `merge_vera_model_path`: 必须，合并参数后保存路径，默认为 None。 - `device`: 运行环境，默认为 gpu。
#### 3.4.4 LoKr ``` # 单卡LoKr python run_finetune.py ./config/llama/lokr_argument.json # 多卡LoKr（暂不支持张量模型并行） python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/lokr_argument.json ``` 为了后续的**压缩**和**静态图推理**方便，我们提供 LoKr 参数合并脚本，可以将 LoKr 参数合并到主干模型并保存相应的权重。 ``` python merge_lokr_params.py \ --model_name_or_path ./base_model \ --lokr_path ./checkpoints/lokr_ckpts \ --merge_lokr_model_path ./checkpoints/lokr_merge \ --device "gpu" \ --safe_serialization True ```   脚本参数介绍
- `lokr_path`: LoKr 参数和配置路径，对 LoKr 参数进行初始化，默认为 None。 - `model_name_or_path`: 必须，主干模型参数路径，默认为 None。 - `merge_lokr_model_path`: 必须，合并参数后保存路径，默认为 None。 - `device`: 运行环境，默认为 gpu。
#### 3.4.5 DisLoRA ``` # 单卡DisLoRA python run_finetune.py ./config/llama/dislora_argument.json # 多卡DisLoRA（暂不支持张量模型并行） python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/dislora_argument.json ``` 为了后续的**压缩**和**静态图推理**方便，我们提供 DisLoRA 参数合并脚本，可以将 DisLoRA 参数合并到主干模型并保存相应的权重。 ``` python merge_dislora_params.py \ --model_name_or_path ./base_model \ --dislora_path ./checkpoints/dislora_ckpts \ --merge_dislora_model_path ./checkpoints/dislora_merge \ --device "gpu" \ --low_gpu_mem True ```   脚本参数介绍
- `dislora_path`: DisLoRA 参数和配置路径，对 DisLoRA 参数进行初始化，默认为 None。 - `model_name_or_path`: 必须，主干模型参数路径，默认为 None。 - `merge_dislora_model_path`: 必须，合并参数后保存路径，默认为 None。 - `device`: 运行环境，默认为 gpu。
#### 3.4.6 ReFT ``` # 单卡ReFT python run_finetune.py ./config/llama/reft_argument.json # 多卡ReFT（暂不支持张量模型并行） python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_finetune.py ./config/llama/reft_argument.json ``` ReFT 目前仅支持动态图预测，预测脚本如下 ``` python ./predict/reft_predictor.py \ --model_name_or_path ./base_model \ --reft_path ./checkpoints/lokr_ckpts \ --output_file output.json \ --batch_size 1 \ --data_file "./data/dev.json" --max_length 4096 ```   脚本参数介绍
- `reft_path`: ReFT 参数和配置路径，对 ReFT 参数进行初始化。 - `model_name_or_path`: 主干模型参数路径。 - `batch_size`: 批大小。该参数越大，占用显存越高；该参数越小，占用显存越低。 - `data_file`: 待推理 json 文件，默认为 None。样例数据： ```json {"tgt":"", "src": "写一个300字的小说大纲，内容是李白穿越到现代，最后成为公司文职人员的故事"} {"tgt":"", "src": "我要采访一位科幻作家，创建一个包含5个问题的列表"} ``` - `output_file`: 保存推理结果文件。 - `src_length`: 模型输入上下文最大 token 长度。 - `max_length`:模型输入（上下文+生成内容）的最大 token 长度。
## 4.精调参数介绍   模型参数（ModelArgument）
- `model_name_or_path`: 预训练模型名称或者本地的模型路径，用于热启模型和分词器，默认为 None。每个模型**支持模型权重**详见各模型目录。 - `use_flash_attention`: 模型是否使用 FlashAttention，默认为 False。 - `flash_mask`: 模型是否使用 FlashMask，默认为 False。请在 FlashAttention 打开的基础上设置。 - `lora`: 是否开启 LoRA 微调策略，默认为 False。 - `lora_path`: LoRA 参数和配置路径，对 LoRA 参数进行初始化，默认为 None。 - `lora_rank`: LoRA 算法中 rank（秩）的值，默认为8。 - `rslora`: 是否使用 rsLoRA 算法。 - `lora_plus_scale`: 是否使用 LoRA+，设置 B 与 A 的学习率比例。 - `neftune`: 是否使用[NEFT](https://arxiv.org/abs/2310.05914)，进行微调。默认为 False。 - `neftune_noise_alpha`: NEFT alpha 参数，默认为5.0。 - `vera`: 是否开启 [VeRA](https://arxiv.org/abs/2310.11454) 微调策略，默认为 False。 - `vera_rank`: VeRA 算法中 rank（秩）的值，默认为8。 - `lokr`: 是否开启 [LoKr](https://arxiv.org/abs/2309.14859) 微调策略，默认为 False。 - `lokr_rank`: LoKr 算法中 rank（秩）的值，默认为8。 - `dislora`: 是否开启 [DisLoRA] 微调策略，默认为 False。 - `dislora_rank`: DisLoRA 算法中 rank（秩）的值，默认为8。 - `use_long_sequence_strategies`: 是否使用长序列扩展策略，默认为 False。 - `reft`: 是否开启 [ReFT](https://arxiv.org/abs/2404.03592) 微调策略，默认为 False。 - `use_mora`: 是否开启 [MoRA](https://arxiv.org/abs/2405.12130) 微调策略，默认为 False。 - `lora_use_mixer`: 是否开启 [MosLoRA](https://arxiv.org/abs/2406.11909) 策略，默认为 False。 - `pissa`: 是否开启 [PiSSA](https://arxiv.org/abs/2404.02948) 策略，默认为 False。 - `strategy_type`: 长序列扩展策略的类型，默认为 None。 - `strategy_name`: 长序列扩展策略的具体名称，默认为 None。 - `rope_scaling_factor`: 应用 RoPE 扩展策略时的缩放因子。 - `lorapro`: 是否开启 LoRA-Pro 策略。
  数据参数（DataArgument）
- `dataset_name_or_path`: 本地数据集目录或内置数据集名称，默认为 None。脚本已适配单文件和多文件，会自己寻找`dataset_name_or_path/train.json` 或者 `dataset_name_or_path/train/*.json`作为训练集文件, 以及`dataset_name_or_path/dev.json` 或者 `dataset_name_or_path/dev/*.json`作为验证集文件。 - `zero_padding`:是否使用 Zero Padding 数据流（减少 Padding 冗余计算，大幅提升有效 Token 计算效率），默认为 False。当`eval_with_do_generation`设为 True,评估过程不支持 Zero Padding 数据流。 - `greedy_zero_padding`:贪心 Zero Padding 数据流，默认为 False。请在`zero_padding`设为 True 的基础上打开。 - `src_length`: 模型输入上下文最大 token 长度，默认为1024。 - `max_length`:模型输入（上下文+生成内容）的最大 token 长度, 默认为2048。当`zero_padding`设为 True 的时候，同时也为 Zero Padding 数据流模型训练输入最大长度，通常建议设为模型允许输入最大长度，同时`per_device_train_batch_size`设为1，使用`gradient_accumulation_steps`控制 batch size。 - `lazy`:设置为 False 则使用`MapDataset`，设置为 True 则使用`IterDataset`，默认为 False。对于数据量较大的时候建议设为 True，`IterDataset`可以避免一次性将所有数据读入内存，注意需要设置`max_steps`并且`evaluation_strategy`和`save_strategy`设为`steps` - `autoregressive`: 是否使用自回归生成，即训练数据为无监督数据，默认为 False。 - `use_pose_convert`: 是否使用 PoSE 算法的数据处理，默认为 False。
  生成参数（GenerateArgument）
注：以下参数仅在`eval_with_do_generation`为 True，调用 model.generate()时生效。 - `top_k`: “采样”策略中为 top-k 过滤保留的最高概率标记的数量。默认为1，等价于贪心策略。 - `top_p`:“采样”策略中 top-p 过滤的累积概率。默认为1.0，表示不起作用。
  训练参数（TrainingArguments）
以下仅介绍 TrainingArguments 部分常用参数，详情请参见[TrainingArguments 文档](https://paddlenlp.readthedocs.io/zh/latest/trainer.html)。 - `output_dir`: 用于保存相关的文件目录，主要包括模型相关文件、训练过程中的 checkpoint、分词器相关文件、评估的结果文件，默认为 None。 - `per_device_train_batch_size`: 训练集训练过程批处理大小，对应 micro batch size，默认为8。该参数需要根据具体的数据集来设定，该参数越大，占用显存越高，训练代价越大；反之，占用显存越小，训练速度越快。 - `gradient_accumulation_steps`:梯度累积步数，顾名思义，就是将多次计算得到的梯度值进行累加，然后一次性进行参数更新，默认为1。等效于将原有训练 batch size*gradient_accumulation_steps。 - `per_device_eval_batch_size`: 验证集批处理大小，对应 micro batch size，默认为8。该参数越大，占用显存越高；该参数越小，占用显存越低。 - `num_train_epochs`:模型训练的轮次，默认为3。 - `learning_rate`:优化器的初始学习率，默认为 5e-05。 - `warmup_steps`: warmup 的步数，默认为0。当 warmup_steps>0时，会覆盖 warmup_ratio 的设置。 - `evaluation_strategy`: 评估策略，默认为 no。"no"：训练期间不进行评估；"steps"：在每 eval_steps 结束进行；"epoch"：在每个 epoch 结束时进行。 - `save_strategy`: 保存策略，默认为 no。"no"：训练期间不进行评估；"steps"：在每 eval_steps 结束进行；"epoch"：在每个 epoch 结束时进行。 - `fp16`: 是否需要开启 FP16训练，开启 FP16训练可以加速训练，默认为 False。 - `bf16`: 是否需要开启 BF16训练，开启 BF16训练可以加速训练，默认为 False。 - `fp16_opt_level`: 可设置 O1或者 O2，在 O1 级别下，在白名单中的算子将使用 float16/bfloat16 计算，在黑名单中的算子将使用 float32 计算。在 O2 级别下，模型的参数被转换为 float16/bfloat16， 如果算子的浮点型输入全是 float16/bfloat16，算子才会采用 float16/bfloat16 计算，若任意浮点型输入是 float32 类型，算子将采用 float32 计算。默认为 O1。 - `do_train`: 是否打开训练，默认为 False。 - `do_eval`: 是否打开评估，默认为 False。 - `recompute`: 重计算，暂支持 full 策略。开启后可降低显存以达到增大 batch size 的目的，默认为 False。 - `refined_recompute`: 精细化重计算，通过精细化控制所需重计算的部分从而达到显存和性能之间的均衡，当前仅支持`llama`系列模型以及`qwen`系列模型，详细使用请参考[TrainingArguments 文档](https://paddlenlp.readthedocs.io/zh/latest/trainer.html)。 - `tensor_parallel_degree`: 此参数 tensor_parallel_degree 表示将一层 transformer 结构的份数，该方法对通信开销较大, 建议 tensor_parallel_degree<=8, 尽量使用机器内部通信。默认为-1，表示不启用张量并行。 - `pipeline_parallel_degree`: 表示划分流水线的大小.(假设该参数为4, 模型12层, 则每一个 pp stage 包含3层模型) 默认值-1, 表示不启用流水线并行。 - `sharding_parallel_degree`: 表示分组参数切片的数据并行大小. 默认值1, 表示不启用分组参数切片的数据并行。 - `sharding`:是否使用 Paddle 的 Sharding 数据并行功能，用户的参数。支持 sharding `stage1`, `stage2` or `stage3`。其中`stage2``stage3`可以和`offload`组合使用。 - `optim`:默认为`adamw`，支持`adamw`, `adamw_mini`。
  表征微调(ReFT)参数（ReftArgument）
- `model_name_or_path`: 预训练模型名称或者本地的模型路径，用于热启模型和分词器，默认为 None。每个模型**支持模型权重**详见各模型目录。 - `layers`: 干预模型的那些层，默认为 all, 干预所有层。 - `position`: 干预哪些位置的 token，默认为 f7, 干预前7个 token。 - `intervention_type`: 干预网络的类型，默认为 LoReftIntervention。 - `rank`: 干预网络的低秩，默认为 8。 - `act_fn`: 干预网络中的激活函数，默认为 linear。 - `add_bias`: 干预网络中是否添加偏置，默认为 False。 - `dropout`: 干预网络中的 Dropout rate，默认为 0.00。