目录
目录

微调 Llama3 使用聊天数据

Llama3 Instruct 引入了一个新的提示模板，用于使用对话数据进行微调。本教程将介绍您需要了解的内容，帮助您快速开始准备自定义的对话数据集，以微调 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使用特定的模板。由于该聊天模型是使用此提示模板进行预训练的，因此如果您希望对该模型执行推理，就需要使用相同的模板，以便在聊天数据上获得最佳性能。否则，模型将仅执行标准文本补全，这可能符合也可能不符合您的预期用例。

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，而且它们的编码方式与 Llama2 实际不同。让我们通过一个示例，分别使用 Llama2 模板和 Llama3 模板进行分词，来了解具体差异。

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

假设我有一个包含单个用户 - 助手对话轮次及系统提示的样本：

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 标记。这体现为 ID 1 和 2。我们可以验证这些确实是我们所使用的 BOS 和 EOS 标记。

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>>'

请注意，您不应在输入提示中手动放置特殊保留令牌，因为它们将被视为普通文本而非特殊令牌。

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

现在让我们看看 Llama3 的格式，了解它与 Llama2 在分词上的不同之处。

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，分词器自动处理了所有格式，而无需我们指定提示模板。事实证明，所有额外的标签都是特殊标记，因此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

最棒的是——所有这些特殊标记均由分词器自动处理。 这意味着您无需担心破坏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运行推理，且该模型是使用提示模板进行预训练的，或者您希望让微调后的模型在针对特定任务进行推理时预期某种特定的提示结构，则应使用提示模板。

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微调 Llama3-8B 指令模型来检验我们的理解。我们将逐步讲解如何设置数据，以便其能被正确分词并输入到我们的模型中。

假设我们有一个本地数据集，保存为 JSON 文件，其中包含与 AI 模型的对话。如何将此类数据转换为 Llama3 能够理解并正确分词的格式？

# 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