微调您的第一个 LLM¶

本指南将引导您完成启动第一次微调的过程使用 Torchtune 的作业。

您将学到什么

如何从 Hugging Face Hub 下载模型
如何修改配方的参数以满足您的需求
如何运行 finetune

先决条件

熟悉 torchtune 概述
确保安装 torchtune

下载模型¶

任何微调作业的第一步都是下载预训练的基础模型。Torchtune 支持集成与 Hugging Face Hub 一起 - 最新和最伟大的模型重量的集合。

在本教程中，您将使用 Meta 的 Llama2 7B 模型。Llama2 是一个 “门控模型”，这意味着您需要被授予访问权限才能下载权重。按照官方 Meta 页面上的这些说明进行操作托管在 Hugging Face 上以完成此过程。这应该需要不到 5 分钟。要验证您是否具有访问权限，请转到模型页面。您应该能够看到模型文件。如果没有，您可能需要接受协议才能完成该过程。

注意

或者，您可以选择直接通过 Llama2 存储库下载模型。有关更多详细信息，请参阅此页面。

获得授权后，您需要使用 Hugging Face Hub 进行身份验证。最简单的方法是提供访问令牌添加到下载脚本中。您可以在此处找到您的令牌。

然后，它就像：

tune download meta-llama/Llama-2-7b-hf \
  --output-dir /tmp/Llama-2-7b-hf \
  --hf-token <ACCESS TOKEN>

此命令还将下载模型分词器和一些其他有用的文件，例如负责任的使用指南。

选择配方¶

配方是 torchtune 用户的主要入口点。这些可以被认为是可修改的、专注于与 LLM 交互的脚本，包括训练、推理、评估和量化。

每个配方由三个部分组成：

可配置的参数，通过 yaml 配置和命令行覆盖指定
配方脚本，将所有内容放在一起的入口点，包括解析和验证配置、设置环境以及正确使用配方类
Recipe 类，训练所需的核心逻辑，通过一组 API 公开

注意

要了解有关“示例”概念的更多信息，请查看我们的技术深入探讨：什么是示例？。

torchtune 提供了内置配方，用于在单个设备、多个具有 FSDP 的设备上进行微调、使用 LoRA 等内存高效技术等等！在我们的配方概述中查看我们所有的内置配方。您还可以使用该命令打印出所有配方和相应的配置。tune ls

$ tune ls
RECIPE                                   CONFIG
full_finetune_single_device              llama2/7B_full_low_memory
                                         mistral/7B_full_low_memory
full_finetune_distributed                llama2/7B_full
                                         llama2/13B_full
                                         mistral/7B_full
lora_finetune_single_device              llama2/7B_lora_single_device
                                         llama2/7B_qlora_single_device
                                         mistral/7B_lora_single_device
...

在本教程中，您将使用配方在单个设备。有关 torchtune 中 LoRA 的更深入讨论，您可以查看完整的 “使用 LoRA 微调 Llama2” 教程。

注意

为什么单一设备与分布式设备有单独的配方？这在 “什么是 Recipes？”但我们在 torchtune 中的核心原则之一是最小抽象和样板代码。如果您只想在单个 GPU 上进行训练，我们的单设备配方可确保您不必担心额外的仅分布式训练所需的 FSDP 等功能。

修改配置¶

YAML 配置包含运行配方所需的大部分重要信息。您可以设置超参数、指定 WandB 等指标记录器、选择新数据集等。有关当前支持的所有数据集的列表，请参阅 torchtune.datasets。

有两种方法可以修改现有配置：

从命令行覆盖现有参数

您可以使用格式从命令行覆盖现有参数。假设您希望将训练 epoch 数设置为 1。key=value

tune run <RECIPE> --config <CONFIG> epochs=1

通过 tune cp 复制配置并直接修改

如果要对配置进行更实质性的更改，可以使用 tune CLI 将其复制到本地目录。

$ tune cp llama2/7B_lora_single_device custom_config.yaml
Copied file to custom_config.yaml

现在，您可以按照自己喜欢的任何方式更新自定义 YAML 配置。尝试设置随机种子以使复制更容易。更改 LoRA 排名、更新批处理大小等。

注意

查看 “关于配置的所有内容” 以更深入地了解 torchtune 中的配置。

训练模型¶

现在，您已经拥有了正确格式的模型和适合您需求的配置，让我们开始训练吧！

与所有其他步骤一样，您将使用 tune CLI 工具启动微调运行。

$ tune run lora_finetune_single_device --config llama2/7B_lora_single_device epochs=1
INFO:torchtune.utils.logging:Running LoRAFinetuneRecipeSingleDevice with resolved config:
Writing logs to /tmp/lora_finetune_output/log_1713194212.txt
INFO:torchtune.utils.logging:Model is initialized with precision torch.bfloat16.
INFO:torchtune.utils.logging:Tokenizer is initialized from file.
INFO:torchtune.utils.logging:Optimizer and loss are initialized.
INFO:torchtune.utils.logging:Loss is initialized.
INFO:torchtune.utils.logging:Dataset and Sampler are initialized.
INFO:torchtune.utils.logging:Learning rate scheduler is initialized.
1|52|Loss: 2.3697006702423096:   0%|▏                     | 52/25880 [00:24<3:55:01,  1.83it/s]

您可以看到所有模块都已成功初始化，并且模型已开始训练。您可以通过 tqdm bar 监控丢失和进度，但 torchtune 还将按配置中定义的间隔记录更多指标，例如 GPU 内存使用情况。

后续步骤¶

现在，您已经训练了模型并设置了环境，让我们看看我们可以用新模型。