建站
咨詢
售后
建站咨詢
新聞中心
點(diǎn)擊參加網(wǎng)站內(nèi)容調(diào)查問卷
譯者 | 崔皓
成都創(chuàng)新互聯(lián)服務(wù)項(xiàng)目包括埇橋區(qū)網(wǎng)站建設(shè)、埇橋區(qū)網(wǎng)站制作、埇橋區(qū)網(wǎng)頁制作以及埇橋區(qū)網(wǎng)絡(luò)營銷策劃等。多年來，我們專注于互聯(lián)網(wǎng)行業(yè)，利用自身積累的技術(shù)優(yōu)勢、行業(yè)經(jīng)驗(yàn)、深度合作伙伴關(guān)系等，向廣大中小型企業(yè)、政府機(jī)構(gòu)等提供互聯(lián)網(wǎng)行業(yè)的解決方案，埇橋區(qū)網(wǎng)站推廣取得了明顯的社會(huì)效益與經(jīng)濟(jì)效益。目前，我們服務(wù)的客戶以成都為中心已經(jīng)輻射到埇橋區(qū)省份的部分城市，未來相信會(huì)繼續(xù)擴(kuò)大服務(wù)區(qū)域并繼續(xù)獲得客戶的支持與信任！
審校 | 重樓
摘要
文章介紹了QLoRa（Quantized LLMs with Low-Rank Adapters），一種在消費(fèi)者級(jí)別的硬件上微調(diào)大型語言模型（LLM）的新方法。QLoRa通過引入4位量化、雙重量化和利用nVidia統(tǒng)一內(nèi)存進(jìn)行分頁，大大減少了微調(diào)所需的內(nèi)存，同時(shí)保持了與標(biāo)準(zhǔn)微調(diào)相當(dāng)?shù)男阅?。文章還提供了如何使用QLoRa微調(diào)一個(gè)擁有200億參數(shù)的GPT模型的詳細(xì)步驟，包括硬件和軟件的要求，以及如何準(zhǔn)備數(shù)據(jù)集和進(jìn)行微調(diào)。
開篇
微調(diào)具有數(shù)十億參數(shù)的模型現(xiàn)在可以在消費(fèi)者硬件上實(shí)現(xiàn)。大多數(shù)大型語言模型（LLM）過于龐大，無法在消費(fèi)者硬件上進(jìn)行微調(diào)。例如，要微調(diào)一個(gè)擁有650億參數(shù)的模型，我們需要超過780 Gb的GPU內(nèi)存。這相當(dāng)于十個(gè)A100 80 Gb的GPU。換句話說，您需要云計(jì)算來微調(diào)您的模型?，F(xiàn)在，有了QLoRa，只需要一個(gè)A100就可以做到。
在這篇博客文章中，將介紹QLoRa的工作原理，同時(shí)會(huì)描述如何使用QLoRa在GPU上微調(diào)一個(gè)擁有200億參數(shù)的GPT模型。
注意：我使用我自己的nVidia RTX 3060 12 Gb來運(yùn)行這篇文章中的所有命令。您也可以使用Google Colab的免費(fèi)實(shí)例來達(dá)到相同的效果。如果你想使用一個(gè)內(nèi)存更小的GPU，就必須選擇更小的LLM。
QLoRa：使用低秩適配器的量化LLM
2021年6月，Hu等人（2021）在一篇論文中提出這樣一個(gè)概念，就是為LLM引入低秩適配器（Low-Rank Adapters）。
【編者：低秩low rank是指一個(gè)矩陣的秩（rank）比較低，也就是說，這個(gè)矩陣中的行向量或列向量之間存在一定的線性相關(guān)性，可以用更少的向量來表示整個(gè)矩陣。在某些應(yīng)用中，低秩的矩陣可以幫助我們更好地理解數(shù)據(jù)的結(jié)構(gòu)和特征，例如在降維、數(shù)據(jù)壓縮、圖像處理等領(lǐng)域中都有廣泛的應(yīng)用?！?/p>
LoRa為LLM的每一層添加了微小量的可訓(xùn)練參數(shù)，即適配器，并凍結(jié)所有原始參數(shù)。對于微調(diào)，我們只需要更新適配器權(quán)重，這大大減少了內(nèi)存占用。
QLoRa通過引入4位量化、雙重量化和利用nVidia統(tǒng)一內(nèi)存進(jìn)行分頁。
下面簡單描述，其工作原理：
- 4位NormalFloat量化：這是一種改進(jìn)量化的方法。它確保每個(gè)量化箱中的值數(shù)量相等。這避免了計(jì)算問題和異常值的錯(cuò)誤。
- 雙重量化：QLoRa的作者將其定義為：“對量化常數(shù)進(jìn)行量化以節(jié)省更多內(nèi)存的過程?！?/li>
- 使用統(tǒng)一內(nèi)存進(jìn)行分頁：它依賴于NVIDIA統(tǒng)一內(nèi)存功能，并自動(dòng)處理CPU和GPU之間的頁到頁傳輸。它確保GPU處理無誤，特別是在GPU可能內(nèi)存不足的情況下。
所有這些步驟都大大減少了微調(diào)所需的內(nèi)存，同時(shí)幾乎與標(biāo)準(zhǔn)微調(diào)的性能相當(dāng)。
使用QLoRa微調(diào)GPT模型
QLoRa的硬件要求：
- GPU：以下演示適用于擁有12 Gb VRAM的GPU，對于參數(shù)少于200億的模型，例如GPT-J。我用我的RTX 3060 12 Gb運(yùn)行了它。如果你有一個(gè)更大的卡，擁有24 Gb的VRAM，你可以用一個(gè)200億參數(shù)的模型，例如GPT-NeoX-20b。
- RAM：我建議最少6 Gb。大多數(shù)最新的計(jì)算機(jī)都有足夠的RAM。
- 硬盤：GPT-J和GPT-NeoX-20b都是非常大的模型。我建議至少有80 Gb的可用空間。
如果你的機(jī)器不滿足這些要求，Google Colab的免費(fèi)實(shí)例將足夠。
【編者：Google Colab是一種云端的Jupyter Notebook環(huán)境，由Google提供，用戶可以在其中編寫和運(yùn)行Python代碼。它提供了免費(fèi)的GPU和TPU資源，使得用戶可以在云端進(jìn)行機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的實(shí)驗(yàn)，而無需購買昂貴的硬件設(shè)備。同時(shí)，Google Colab還與Google Drive集成，用戶可以將Notebook存儲(chǔ)在自己的Google Drive中，并與其他人共享?！?/p>
QLoRa的軟件要求：
我們需要CUDA。確保它已經(jīng)安裝在你的機(jī)器上。
【編者：CUDA (Compute Unified Device Architecture) 是由 NVIDIA 開發(fā)的一種并行計(jì)算平臺(tái)和編程模型，它允許開發(fā)人員使用 C/C++、Fortran 等高級(jí)語言編寫并行計(jì)算程序，利用 NVIDIA GPU 的并行計(jì)算能力加速計(jì)算。CUDA 可以在多種操作系統(tǒng)上運(yùn)行，包括 Windows、Linux 和 macOS。它被廣泛應(yīng)用于科學(xué)計(jì)算、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、圖像處理、計(jì)算機(jī)視覺等領(lǐng)域。】
與此同時(shí)還需要如下依賴項(xiàng)：
- bitsandbytes：一個(gè)包含我們需要量化LLM所需的所有內(nèi)容的庫。
- Hugging Face Transformers和Accelerate：這些是用于有效訓(xùn)練Hugging Face Hub模型的標(biāo)準(zhǔn)庫。
- PEFT：一個(gè)提供各種方法實(shí)現(xiàn)只微調(diào)少量（額外）模型參數(shù)的庫。我們需要它來進(jìn)行LoRa。
- Datasets：并不是必選項(xiàng)。我們只會(huì)用它來獲取一個(gè)用于微調(diào)的數(shù)據(jù)集。當(dāng)然，你也可以提供你自己的數(shù)據(jù)集。
我們可以使用PIP獲取所有這些：
pip install -q -U bitsandbytes
pip install -q -U git+https://github.com/huggingface/transformers.git
pip install -q -U git+https://github.com/huggingface/peft.git
pip install -q -U git+https://github.com/huggingface/accelerate.git
pip install -q datasets接下來，我們可以開始編寫Python腳本。
加載和量化GPT模型
我們需要以下導(dǎo)入來加載和量化LLM。
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig對于這個(gè)演示，我們將微調(diào)EleutherAI預(yù)訓(xùn)練的GPT NeoX模型。這是一個(gè)擁有200億參數(shù)的模型。注意：GPT NeoX有一個(gè)寬松的許可證（Apache 2.0）允許商業(yè)使用。
我們可以從Hugging Face Hub獲取這個(gè)模型和相關(guān)的tokenizer：
model_name = "EleutherAI/gpt-neox-20b"
#Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name)然后，我們需要詳細(xì)描述量化器的配置，如下：
quant_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_use_double_quant=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16)- load_in_4bit：模型將以4位精度加載到內(nèi)存中。
- bnb_4bit_use_double_quant：我們將進(jìn)行QLoRa提出的雙重量化。
- bnb_4bit_quant_type：這是量化的類型?！皀f4”代表4位NormalFloat。
- bnb_4bit_compute_dtype：雖然我們以4位加載和存儲(chǔ)模型，但我們在需要時(shí)會(huì)部分地反量化它，并以16位精度（bfloat16）進(jìn)行所有的計(jì)算。
所以，現(xiàn)在我們可以以4位加載模型：
model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=quant_config, device_map={"":0})然后，我們啟用梯度檢查點(diǎn)：
model.gradient_checkpointing_enable()為LoRa預(yù)處理GPT模型
這是我們使用PEFT的地方。我們?yōu)長oRa準(zhǔn)備模型，為每一層添加可訓(xùn)練的適配器。
【編者：PEFT（參數(shù)高效微調(diào)）庫是一個(gè)由HuggingFace支持的庫，它支持LoRa（低秩適應(yīng)）】
from peft import prepare_model_for_kbit_training, LoraConfig, get_peft_model
model = prepare_model_for_kbit_training(model)
config = LoraConfig(
r=8,
lora_alpha=32,
target_modules=["query_key_value"],
lora_dropout=0.05,
bias="none",
task_type="CAUSAL_LM")
model = get_peft_model(model, config)在LoraConfig中，你可以調(diào)整r、alpha和dropout以在你的任務(wù)上獲得更好的結(jié)果。你可以在PEFT倉庫中找到更多的選項(xiàng)和細(xì)節(jié)。
使用LoRa，我們只添加了800萬參數(shù)。我們將只訓(xùn)練這些參數(shù)并凍結(jié)其他所有內(nèi)容。微調(diào)應(yīng)該很快。
準(zhǔn)備你的數(shù)據(jù)集
對于這個(gè)演示，我使用了“english_quotes”數(shù)據(jù)集。這是一個(gè)由著名引語組成的數(shù)據(jù)集，根據(jù)CC BY 4.0許可分發(fā)。
markdown
from datasets import load_dataset
data = load_dataset("Abirate/english_quotes")
data = data.map(lambda samples: tokenizer(samples["quote"]), batched=True)使用QLoRa微調(diào)GPT-NeoX-20B
最后，使用Hugging Face Transformers進(jìn)行微調(diào)非常標(biāo)準(zhǔn)。
import transformers
tokenizer.pad_token = tokenizer.eos_token
trainer = transformers.Trainer(
model=model,
train_dataset=data["train"],
args=transformers.TrainingArguments(
per_device_train_batch_size=1,
gradient_accumulation_steps=8,
warmup_steps=2,
max_steps=20,
learning_rate=2e-4,
fp16=True,
logging_steps=1,
output_dir="outputs",
optim="paged_adamw_8bit"
),
data_collator=transformers.DataCollatorForLanguageModeling(tokenizer, mlm=False),
)
trainer.train()不要忘記optim=”paged_adamw_8bit”。它激活了分頁以更好地管理內(nèi)存。沒有它，程序會(huì)報(bào)內(nèi)存不足的錯(cuò)誤。
運(yùn)行這個(gè)微調(diào)應(yīng)該只需要在Google Colab上花費(fèi)5分鐘。
VRAM消耗應(yīng)該在15 Gb達(dá)到峰值。
就這樣，我們免費(fèi)微調(diào)了一個(gè)LLM！
使用QLoRa的GPT推理
我們微調(diào)的QLoRa模型可以直接使用標(biāo)準(zhǔn)的Hugging Face Transformers進(jìn)行推理，如下：
text = "Ask not what your country
device = "cuda:0"
inputs = tokenizer(text, return_tensors="pt").to(device)
outputs = model.generate(**inputs, max_new_tokens=20)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))你應(yīng)該得到這樣的輸出：
Ask not what your country can do for you, ask what you can do for your country.”– John F.輸出翻譯：“不要問你的國家能為你做什么，問你能為你的國家做什么?！报C 約翰·F。
我們得到了預(yù)期的結(jié)果。對于5分鐘的微調(diào)來說，已經(jīng)不錯(cuò)了！
結(jié)論
在大型語言模型變得更大的同時(shí)我們找到了響應(yīng)的微調(diào)工具，QLoRa可以在消費(fèi)者硬件上對模型進(jìn)行微調(diào)和推理。有了QLoRa的幫助，我們可以在不依賴云計(jì)算的情況下，微調(diào)數(shù)十億參數(shù)的模型，根據(jù)QLoRa的相關(guān)論文描述，微調(diào)并沒有帶來性能的顯著下降。
譯者介紹
崔皓，社區(qū)編輯，資深架構(gòu)師，擁有18年的軟件開發(fā)和架構(gòu)經(jīng)驗(yàn)，10年分布式架構(gòu)經(jīng)驗(yàn)。
原文標(biāo)題：QLoRa: Fine-Tune a Large Language Model on Your GPU，作者：Benjamin Marie
本文題目：QLoRa：利用GPU微調(diào)大型語言模型
文章轉(zhuǎn)載：http://www.dlmjj.cn/article/cdgojdc.html
