一个基于🤗HuggingFace开发的大语言模型训练、测试工具。支持不同模型的webui、终端预测，支持各模型的低参数量及全参数模型的预训练、奖励模型训练以及RLHF训练(PPO和DPO两种方法)。同时支持deepspeed分布式训练。
作者习惯于把配置和要做的事情都写在一个配置文件里面，然后以一个主函数作为入口直接运行，所以才有了这个项目，喜欢指令的朋友们可以改回去使用。
| Date | Detail |
|---|---|
| 2023-10-30 | 通过attention_sinks支持StreamingLLM |
| 2023-10-25 | 基于sentencepiece实现词表扩充功能 |
| 2023-10-24 | 支持使用NEFTune对LLM进行noise tune |
| 2023-10-09 | 增加扩充词表后Embedding初始化方式 |
| 2023-10-08 | LLama和Falcon两类模型支持Flash Attention2 |
| 2023-09-26 | 支持模型预训练 |
| 2023-09-11 | 多轮对话的Firefly的loss训练函数集成 |
| 2023-09-04 | 支持部分可以从配置修改使用NTK的模型 |
| 2023-08-24 | 支持deepspeed-ZeRo2分布式训练 |
| 2023-08-23 | RLHF的DPO方法对各个模型的训练支持 |
| 2023-08-21 | RLHF的PPO方法对各个模型的训练支持 |
| 2023-08-08 | 奖励模型训练 |
| 2023-07-25 | 初始仓库 |
几个重要环境：
- python：3.10+
- torch：2.0.1+
- bitsandbytes：不同操作系统下需要对应安装不同的包（Linux下0.39.0+，Windows下要专门下载对应的wheel本地安装）
其它环境见requirements.txt
目前FlashAttention作者未主动兼容和测试Windows操作环境issues，若在Windows上不用安装flash-attn这个包。
大模型经过SFT(然后做RLHF)之后可用于对话任务Chat，面世的Chat大部分都没有重新训练基座，或者是基于同样的基座结构用数据重新预训练了一个基座，下表是验证过的被此项目支持的基座，相应的也支持同样结构的衍生和Chat模型。
| Model | Scale | Series |
|---|---|---|
| ChatGLM1 | 6B | chatglm1 |
| ChatGLM2 | 6B | chatglm2 |
| ChatGLM3 | 6B | chatglm3 |
| Qwen | 1.8B、7B、14B | Qwen |
| Bloom | 560M、9B、7B1M | bloom、bloomz |
| LLama1 | 3B、7B、13B | openllama、chinese-alpaca、ziya |
| LLama2 | 7B、13B | llama2、orca-2 |
| Baichuan | 7B、13B | baichuan |
| Baichuan2 | 7B、13B | baichuan2 |
| Falcon | 7B | falcon、Orca-2 |
| Aquila | 7B | aquila |
| Aquila2 | 7B | aquila |
| InternLM | 7B、20B | internlm |
| MOSS | 16B | MOSS |
| XVERSE | 13B | XVERSE |
| Mistral | 7B | Mistral |
| Yi | 6B | Yi |
- 未进入上表的模型或参数规模暂时没有使用该项目测试过。
因为很多训练者都是基于上述的基座模型或者Chat模型继续训练，但是它们采用了不同的template prompt，所以下载相关的模型后，需要根据这些模型的要求新加入和它们相适配的template prompt，除了加载这些模型官方需要的template prompt外，本项目还给了一些template prompt，比如ziya、openbuddy等等的模板。
| Template Prompt | Website |
|---|---|
| chatglm | chatglm2 |
| chatglm3 | chatglm3 |
| alpaca | Chinese-LLaMA-Alpaca |
| vicuna | Chinese-Vicuna |
| belle | BELLE |
| ziya | Ziya |
| aquila | AquilaChat |
| firefly | Firefly |
| openbuddy | OpenBuddy |
| internlm | Internlm |
| baichuan | Baichuan |
| baichuan2 | Baichuan2 |
| qwen | Qwen |
| moss | MOSS |
| linksoul | LinkSoul |
| xverse | XVERSE |
| tigerbot | TigerBot |
| flagalpha | FlagAlpha |
| orca-2 | Orca-2 |
| yi | yi |
| Method | Supported |
|---|---|
| Full Parameter | ✅ |
| Lora | ✅ |
| AdaLora | ✅ |
| QLora | ✅ |
| Prompt Tuning | ✅ |
| P Tuning | ✅ |
| Prefix Tuning | ✅ |
- 使用Lora和AdaLora都支持QLora训练，但是量化方式需要选择基于bitsandbytes的bnb量化方式，可支持4bit和8bit量化训练。以下是开启Qlora训练的是必要配置参数（ModelArguments中）：
quantization: Optional[str] = field(
default='bnb',
metadata={
# 如果使用qlora只能选择bnb，两种量化方式区别不大。
'help': 'The specific model version to use (can be a branch name, tag name or commit id).',
'choices': ['cpm', 'bnb'],
}
)
quantization_bit: Optional[int] = field(
default=None,
metadata={
# 使用8bit量化还是4bit量化？
'help': 'The number of bits to quantize the model.',
'choices': [4, 8],
}
)
两种量化方式分别为基于bitsandbytes的bnb和cpm_kernels组件的cpm，其中cpm量化脚本来自quantization.py。
不同训练阶段跑测试集时会输出下面一些常规的生成模型评估结果，结果仅限参考，大模型的事实性评估目前没有更好的办法，都是各个模型出品方或评测机构在各维度上制作数据集做评测，相对比较主观。
| Metric | Supported | Training Stage |
|---|---|---|
| Rouge-1 | ✅ | SFT Training |
| Rouge-2 | ✅ | SFT Training |
| Rouge-l | ✅ | SFT Training |
| ppl | ✅ | Pretrain、SFT Training |
| accuracy | ✅ | PPO-RM Training |
开始之前，需要确定试验的模型，并把整个模型文件从huggingface上下载下来，完成两步：
- 在ModelArguments中配置好model_type和model_path两个参数，如果除了model_path的基座模型外还有adapter模型，则需将adapter模型的地址配置到checkpoint_dir中。
model_type: str = field(
default='internlm',
metadata={
# 模型类型
'help': 'Model type.',
'choices': ['chatglm', 'qwen', 'llama', 'falcon', 'baichuan', 'aquila', 'internlm', 'moss', 'bloom', 'rwkv'],
}
)
model_path: str = field(
default='/home/XXXXX/llm_models/internLM/intern-chat-7b',
metadata={
# 从huggingface.co/models上下载的模型保存到本地的路径。
'help': 'Local path to pretrained model or model identifier from huggingface.co/models.'
}
)
checkpoint_dir: Optional[str] = field(
default=None,
metadata={
# 保存下载的或者自己训练的adapter增量模型的地方。
'help': 'Path to save the (delta) model checkpoints as well as the configurations automatically.',
}
)
- 在DataTrainingArguments中修改prompt_template使用和该模型配套的template，这个template一般是SFT之后的模型才会有，且与训练者有关。所以如果该项目未提供的，则需要自己修改engines/utils/prompt_template.py文件，添加新的template。
prompt_template: Optional[str] = field(
default='internlm',
metadata={
# 选择对应模型的模板prompt，一般Chat模型的出品方都会有一个固定的prompt。
'help': 'Which template to use for constructing prompts in training and inference.'
}
)
此处提供两种预测方式，分别是基于gradio的webUI预测和终端预测。需要在config.py中对应修改mode，然后运行main.py。
| Mode | Inference Type |
|---|---|
| web_inference | WebUI |
| terminal_inference | Trminal |
- 预测的时候，模型会优先从你定义的ModelArguments中的checkpoint_dir读取，如果该文件下没有参数文件，则从TrainingArguments的output_dir文件夹加载，如果都没有则只加载最初的基座模型。
目前原生的config就能支持NTK方法的有chatglm2-6b-32k、LLama系列、Falcon系列和Qwen-7B-Chat：
| Model | Position Encoder | Support NTK Type |
|---|---|---|
| chatglm2-6b-32k | Rope | Linear |
| Qwen-7B-Chat | Rope | Dynamic |
| LLama系列 | Rope | Dynamic、Linear |
| Falcon系列 | Rope | Dynamic、Linear |
- 其他的模型需要自己更改原始的模型文件去支持NTK方法，比如可用于Alibi编码的模型Baichuan、Falcon、Bloom系列的NTK-ALibi。一般来说，NTK主要用在推断的时候突破模型的输入token限制，但是训练的时候打开NTK可能会得不到想要的效果。
- Falcon系列的模型HF官方提供了两种编码方式，分别是Rope和Alibi，但是tiiuae官方目前只有Alibi的实现，不知道此举为何，所以此处仅支持使用Rope编码方式的NTK方法。
预训练数据参考datasets/pretrain/example/train下面的文件，数据为txt格式存储，制作数据集最好能够向例子给的一样，一行为一句话，但是最好不大于模型接收的最大token长度。然后把数据路径填写到DataTrainingArguments配置里面：
train_file_dir: Optional[str] = field(
default='datasets/pretrain/example/train',
metadata={
# 训练集保存的路径。
'help': 'The train json data file folder.'
}
)
validation_file_dir: Optional[str] = field(
default='datasets/pretrain/example/train',
metadata={
# 验证集保存的路径。
'help': 'The evaluation json file folder.'
}
)
开启训练的时候，需要在config.py中将mode修改为pretrain，然后运行main.py。
指令微调数据参考datasets/finetune/example/train下面的文件，数据由instruction、input、output和history四个字段组成。
[
{
"instruction": "10乘以10等于多少？",
"input": "",
"output": "10乘以10等于100。",
"history": [
"你好呀。",
"你好，请问您有什么需要帮助的吗？",
"好的，我想问下你是谁？",
"我是一个AI模型，能够解决你提出的问题。"
]
},
...
]
如上面所示history字段需要按照一问一答的格式存储对话历史，用于模型训练。如果没有历史对话需要让history为空列表：
[
{
"instruction": "你身份是什么？",
"input": "",
"output": "我是一个AI智能助手，由XX公司训练，我将力所能及的帮助你解决问题。",
"history": []
},
...
]
使用的时候把数据路径填写到DataTrainingArguments配置里面：
train_file_dir: Optional[str] = field(
default='datasets/finetune/example/train',
metadata={
# 训练集保存的路径。
'help': 'The train json data file folder.'
}
)
validation_file_dir: Optional[str] = field(
default='datasets/finetune/example/eval',
metadata={
# 验证集保存的路径。
'help': 'The evaluation json file folder.'
}
)
开启训练的时候，需要在config.py中对应修改mode为sft_train，然后在TrainingArguments中配置好各项训练参数，然后运行main.py。 框架支持测试SFT训练的效果，测试前在DataTrainingArguments中配置test_file为测试数据集所在的路径，然后在config.py中将mode修改为sft_batch_test，然后运行main.py。
test_file: Optional[str] = field(
default='datasets/finetune/test',
metadata={
# 测试集保存的路径。
'help': 'The test file.'
}
)
奖励模型训练数据参考datasets/rm/example/train下面的文件，数据由instruction、input、output三个字段组成。output是一个两元素列表，第一个元素是采纳的答案，第二个是拒绝的答案。使用的时候把训练奖励模型的数据一样填写到DataTrainingArguments配置里面。然后需要在config.py中对应修改mode为rm_train，在TrainingArguments中配置好各项训练参数，运行main.py。
train_file_dir: Optional[str] = field(
default='datasets/rm/example/train',
metadata={
# 训练集保存的路径。
'help': 'The train json data file folder.'
}
)
validation_file_dir: Optional[str] = field(
default='datasets/rm/example/eval',
metadata={
# 验证集保存的路径。
'help': 'The evaluation json file folder.'
}
)
框架支持测试奖励模型训练的效果，首先需要在DataTrainingArguments中配置test_file为测试数据集所在的路径，然后在config.py中将mode修改为rm_batch_test，运行main.py，奖励模型测试只会输出模型的准确率。
- 奖励模型训练不支持第一代ChatGLM6B，因为项目用trl的AutoModelForCausalLMWithValueHead组件是基于CausalLM模型的。ChatGLM6B是基于Prefix LM实现的。
在进行基于PPO模型的RLHF训练之前，需要一个奖励模型和一个需要被RLHF微调的SFT模型，需要把他们配置到ModelArguments中如下：
checkpoint_dir: Optional[str] = field(
default='checkpoint/sft',
metadata={
# 保存下载的或者自己训练的adapter增量模型的地方，在RLHF时候，此处需要填写指令微调后模型所在的文件地址。
'help': 'Path to save the (delta) model checkpoints as well as the configurations automatically.',
}
)
reward_model_checkpoint: str = field(
default='checkpoint/rm',
metadata={
# 在RLHF时候，此处需要填写奖励模型所在的文件地址
'help': 'The checkpoint of reward model.'
}
)
PPO方法对模型进行强化学习训练的数据和SFT阶段训练的数据的格式是一致的，此外使用的时候还需要在TrainingArguments中把PPO的配置填写好，在config.py中将mode修改为ppo_train，然后运行main.py。训练的结果将会通过wandb的格式记录在训练输出的文件夹中。
在进行基于DPO模型的RLHF训练之前，只需要一个被RLHF微调的SFT模型，如果是基于adapter的模型还需要把adapter配置到ModelArguments中如下：
model_path: str = field(
default='/home/XXX/ChatGLM/ChatGLM2-6B-32k',
metadata={
# 从huggingface.co/models上下载的模型保存到本地的路径或者自己的模型。
'help': 'Local path to pretrained model or model identifier from huggingface.co/models.'
}
)
checkpoint_dir: Optional[str] = field(
default='checkpoint/sft',
metadata={
# 保存下载的或者自己训练的adapter增量模型的地方，在RLHF时候，此处需要填写指令微调后模型所在的文件地址。
'help': 'Path to save the (delta) model checkpoints as well as the configurations automatically.',
}
)
DPO方法对模型进行强化学习训练的数据和奖励模型的数据是一致的，在config.py中将mode修改为dpo_train，然后运行main.py。训练的结果将会通过wandb的格式记录在训练输出的文件夹中。
- 如果前面使用的是adapter在SFT模型上训练的模型，RLHF的时候项目会融合前面的adapter后创建新的adapter继续训练。
常用的一些参数如下：
| Arguments | Describe |
|---|---|
| fine_tuning_type | 训练方式 |
| use_firefly_loss | 使用Firefly loss训练模型 |
| output_dir | 训练结果输出的文件夹 |
| num_train_epochs | 训练的轮次 |
| gradient_accumulation_steps | 梯度累积 |
| per_device_train_batch_size | 每个设备上的批大小 |
| learning_rate | 学习率 |
| fp16 | 设置True为开混合精度运算 |
- Lora和其它adapter训练方式的配置参数也在TrainingArguments中，这里面要注意lora_target的设置要根据自己的模型结构来，配置中给了一些参考。
- Firefly Loss仅作用在SFT训练阶段且不支持ChatGLM6B等Prefix LM模型。
使用deepspeed进行训练需要在TrainingArguments指定deepspeed的config文件(项目中提供了stage2的deepspeed配置)：
deepspeed: Optional[str] = field(
default='deepspeed_configs/zero_stage2_config.json',
metadata={
'help': 'Enable deepspeed and pass the path to deepspeed json config file (e.g. ds_config.json) '
'or an already loaded json file as a dict'
}
)
配置好后在终端输入(单机多卡)：
deepspeed --num_gpus 3 --master_port=9901 main.py
- 多机多卡需要指定更多的参数，可以参考hugingface的deepspeed文档。
| Mode | Describe |
|---|---|
| merge_lora_model | 将lora模型和基座模型融合，支持lora和adalora之后的权重合并，其它的训练方法产生的adapter直接通过peft加载即可，不支持合并 |
| show_model_info | 打印模型的结构和模型的参数 |
| save_quantized_model | 量化并保存量化模型 |
| expand_vocab | 根据给定语料扩充词表（如扩充中文词表、垂域词表等） |
- merge_peft_model和save_quantized_model需要在ModelArguments设置输出地址。
quantized_or_merged_output_dir: Optional[str] = field(
default=None,
metadata={
# 当你想保存量化后的模型或者融合后的模型时，处理后的模型保存的地址。
'help': 'Path to save the quantized or merged model checkpoints as well as the configurations manually.',
}
)
- 使用bnb和cpm量化将会默认对除了输出层的所有线性层进行量化。
- 使用expand_vocab方法进行词表扩充时，需要指定训练词表的语料路径（文件或文件夹均可）。仅支持
.txt与.tsv格式。词表扩充后，一般需要继续预训练。
- 奖励模型训练
- PPO模型训练
- DPO模型训练
- 支持Deepspeed训练
- NTK-Aware Scaled RoPE集成
- 多轮对话的Firefly的loss函数集成
- 支持LLM增量预训练
- 对LLama和Falcon增加Flash Attention2
- mmlu、cmmlu和C-Eval自动化评估
如果你在研究中使用了该项目，请按如下格式引用：
@misc{LLMs Tool,
title={LLMs Tool: a tool for large language models},
author={Shouxian Li},
year={2023},
howpublished={\url{https://github.com/stanleylsx/llms_tool}},
}
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent