目录
目录

微调 Llama3 使用聊天数据

Llama3 Instruct 引入了一种新的提示模板，用于使用聊天数据进行微调。在本教程中，我们将介绍你需要了解的内容，以便快速开始准备自己的自定义聊天数据集，用于微调 Llama3 Instruct。

您将学习：

  • Llama3 指令格式与 Llama2 的区别

  • 关于提示模板和特殊标记的全部内容

  • 如何使用您自己的聊天数据集微调 Llama3 Instruct

先决条件

模板从Llama2更改为Llama3

Llama2聊天模型在提示预训练模型时需要特定的模板。由于聊天模型是在使用此提示模板的情况下进行预训练的，如果您希望在该模型上运行推理，则需要使用相同的模板以在聊天数据上实现最佳性能。否则，模型将仅执行标准的文本补全，这可能与您的预期用途不符。

从 官方 Llama2 提示模板指南 中，我们可以看到为 Llama2 聊天模型添加了特殊标签：

<s>[INST] <<SYS>>
You are a helpful, respectful, and honest assistant.
<</SYS>>

Hi! I am a human. [/INST] Hello there! Nice to meet you! I'm Meta AI, your friendly AI assistant </s>

Llama3 Instruct 全面改进 了模板，从 Llama2 改为更适合多轮对话。同样的文本 在 Llama3 Instruct 格式中会是这样的：

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful, respectful, and honest assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>

Hi! I am a human.<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Hello there! Nice to meet you! I'm Meta AI, your friendly AI assistant<|eot_id|>

标签完全不同，它们的编码方式实际上也与 Llama2 不同。让我们通过一个示例来分别使用 Llama2 模板和 Llama3 模板进行分词，以理解其中的区别。

注意

Llama3 基础模型使用与 Llama3 Instruct 不同的提示模板，因为它尚未经过指令微调，额外的特殊标记也未经训练。如果您在未进行微调的情况下对 Llama3 基础模型进行推理，我们建议使用基础模板以获得最佳性能。一般来说，对于指令和聊天数据，我们推荐使用带有其提示模板的 Llama3 Instruct。本教程其余部分假设您正在使用 Llama3 Instruct。

分词提示模板和特殊标记

假设我有一个单个用户-助手对话的样本，以及一个系统提示：

sample = [
    {
        "role": "system",
        "content": "You are a helpful, respectful, and honest assistant.",
    },
    {
        "role": "user",
        "content": "Who are the most influential hip-hop artists of all time?",
    },
    {
        "role": "assistant",
        "content": "Here is a list of some of the most influential hip-hop "
        "artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.",
    },
]

现在，让我们使用带有 Llama2ChatTemplate 类的格式来格式化它， 看看它是如何被分词的。Llama2ChatTemplate 是一个 提示模板 的示例， 它只是通过带有说明性文本的结构来表示某个任务。

from torchtune.data import Llama2ChatTemplate, Message

messages = [Message.from_dict(msg) for msg in sample]
formatted_messages = Llama2ChatTemplate.format(messages)
print(formatted_messages)
# [
#     Message(
#         role='user',
#         content='[INST] <<SYS>>\nYou are a helpful, respectful, and honest assistant.\n<</SYS>>\n\nWho are the most influential hip-hop artists of all time? [/INST] ',
#         ...,
#     ),
#     Message(
#         role='assistant',
#         content='Here is a list of some of the most influential hip-hop artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.',
#         ...,
#     ),
# ]

Llama2还使用了一些特殊的标记，这些标记不在提示模板中。 如果你查看我们的 Llama2ChatTemplate 类，你会发现 我们没有包含 <s> 和 </s> 标记。这些是序列开始（BOS）和序列结束（EOS）标记， 它们在分词器中的表示方式与提示模板的其余部分不同。让我们使用 Llama2使用的 llama2_tokenizer() 来对这个示例进行分词，看看为什么会这样。

from torchtune.models.llama2 import llama2_tokenizer

tokenizer = llama2_tokenizer("/tmp/Llama-2-7b-hf/tokenizer.model")
user_message = formatted_messages[0].text_content
tokens = tokenizer.encode(user_message, add_bos=True, add_eos=True)
print(tokens)
# [1, 518, 25580, 29962, 3532, 14816, 29903, 6778, ..., 2]

我们在编码示例文本时添加了 BOS 和 EOS 令牌。这显示为 ID 1 和 2。我们可以验证这些确实是我们的 BOS 和 EOS 令牌。

print(tokenizer._spm_model.spm_model.piece_to_id("<s>"))
# 1
print(tokenizer._spm_model.spm_model.piece_to_id("</s>"))
# 2

BOS 和 EOS 令牌是我们所说的特殊令牌，因为它们有自己的保留令牌 ID。这意味着它们将在模型学习到的嵌入表中索引到它们各自的向量。其余的提示模板标签，[INST] 和 <<SYS>> 被视为普通文本进行分词，而不是它们自己的 ID。

print(tokenizer.decode(518))
# '['
print(tokenizer.decode(25580))
# 'INST'
print(tokenizer.decode(29962))
# ']'
print(tokenizer.decode([3532, 14816, 29903, 6778]))
# '<<SYS>>'

需要注意的是，你不应该手动将特殊保留的标记放置在输入提示中，因为它们会被当作普通文本处理，而不是特殊标记。

print(tokenizer.encode("<s>", add_bos=False, add_eos=False))
# [529, 29879, 29958]

现在让我们看看Llama3的格式，看看它是如何与Llama2在分词上不同的。

from torchtune.models.llama3 import llama3_tokenizer

tokenizer = llama3_tokenizer("/tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model")
messages = [Message.from_dict(msg) for msg in sample]
tokens, mask = tokenizer.tokenize_messages(messages)
print(tokenizer.decode(tokens))
# '<|start_header_id|>system<|end_header_id|>\n\nYou are a helpful, respectful,
# and honest assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>\n\nWho
# are the most influential hip-hop artists of all time?<|eot_id|><|start_header_id|>
# assistant<|end_header_id|>\n\nHere is a list of some of the most influential hip-hop
# artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.<|eot_id|>'

注意

我们使用了 tokenize_messages API 来处理 Llama3，这与 encode 不同。它只是在对单个消息进行编码后，在正确的位置添加所有特殊标记。

我们可以看到，分词器在没有指定提示模板的情况下处理了所有的格式。事实证明，所有额外的标签都是特殊标记，我们不需要单独的提示模板。我们可以通过检查这些标签是否被编码为它们自己的标记ID来验证这一点。

print(tokenizer.special_tokens["<|begin_of_text|>"])
# 128000
print(tokenizer.special_tokens["<|eot_id|>"])
# 128009

最好的一点是——所有这些特殊标记都完全由分词器处理。这意味着你不必担心会搞乱任何必需的提示模板！

何时应该使用提示模板？

是否使用提示模板取决于您期望的推理行为。如果您在基础模型上进行推理，并且该模型是使用提示模板预训练的，或者您希望微调后的模型在特定任务的推理中预期某种提示结构，请使用提示模板。

不严格要求使用提示模板进行微调，但通常特定任务需要特定的模板。例如，SummarizeTemplate 提供了一个轻量级结构，用于引导您的微调模型处理要求总结文本的提示。这将围绕用户消息进行包装，而助手消息保持不变。

f"Summarize this dialogue:\n{dialogue}\n---\nSummary:\n"

即使模型最初是使用 Llama2ChatTemplate 进行预训练的，您也可以使用此模板对 Llama2 进行微调，只要这是模型在推理过程中看到的内容。该模型应该足够健壮，能够适应新的模板。

在自定义聊天数据集上进行微调

让我们通过尝试使用自定义聊天数据集来微调 Llama3-8B 指令模型来测试我们的理解。我们将逐步讲解如何设置数据，以便它可以被正确地分词并输入到我们的模型中。

假设我们有一个本地数据集，以 JSON 文件的形式保存，其中包含与 AI 模型的对话。我们如何将类似的内容转换为 Llama3 能够理解并正确进行分词的格式呢？

# data/my_data.json
[
    {
        "dialogue": [
            {
                "from": "human",
                "value": "What is your name?"
            },
            {
                "from": "gpt",
                "value": "I am an AI assistant, I don't have a name."
            },
            {
                "from": "human",
                "value": "Pretend you have a name."
            },
            {
                "from": "gpt",
                "value": "My name is Mark Zuckerberg."
            }
        ]
    },
]

让我们首先看看 通用数据集构建器，并查看哪一个适合我们的用例。由于我们有对话数据，chat_dataset() 看起来是一个不错的选择。对于任何自定义本地数据集，我们始终需要为 torchtune 中的任何数据集构建器指定 source、data_files 和 split。对于 chat_dataset()，我们还需要额外指定 conversation_column 和 conversation_style。我们的数据遵循 "sharegpt" 格式，因此我们可以在这里指定它。总的来说，我们的 chat_dataset() 调用应该如下所示：

from torchtune.datasets import chat_dataset
from torchtune.models.llama3 import llama3_tokenizer

tokenizer = llama3_tokenizer("/tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model")
ds = chat_dataset(
    tokenizer=tokenizer,
    source="json",
    data_files="data/my_data.json",
    split="train",
    conversation_column="dialogue",
    conversation_style="sharegpt",
)

# In config
tokenizer:
  _component_: torchtune.models.llama3.llama3_tokenizer
  path: /tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model

dataset:
  _component_: torchtune.datasets.chat_dataset
  source: json
  data_files: data/my_data.json
  split: train
  conversation_column: dialogue
  conversation_style: sharegpt

注意

您可以将任何关键字参数传递给 load_dataset，它们将适用于我们所有的 Dataset 类，并且会尊重这些参数。这对于常见的参数非常有用， 例如使用 split 指定数据集的划分，或使用 name 进行配置。

如果您需要添加提示模板，只需将其传递给分词器。 由于我们正在微调 Llama3，分词器将为我们处理所有格式化， 并且提示模板是可选的。其他模型，例如 Mistral 的 MistralTokenizer， 默认使用聊天模板来格式化所有消息（MistralChatTemplate）， 按照它们的 建议 进行格式化。

现在我们可以开始微调了！我们将使用内置的LoRA单设备配方。 使用 tune cp 命令获取 8B_lora_single_device.yaml 配置的副本，并用您的数据集配置进行更新。

启动微调！

$ tune run lora_finetune_single_device --config custom_8B_lora_single_device.yaml epochs=15

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并解答您的问题

查看资源