llama-7b模型大小大约27G，本文在单张/两张 16G V100上基于hugging face的peft库实现了llama-7b的微调。
1、模型和数据准备
使用的大模型：https://huggingface.co/decapoda-research/llama-7b-hf，已经是float16的模型。
微调数据集：https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json
微调的代码已上传到github：https://github.com/jiangxinyang227/LLM-tuning/tree/master/llama_tuning
2、微调技巧
1）lora微调。float16的模型刚刚好存放在16G的GPU上，没有太多显存用于存放梯度、优化器等参数，因此在这里使用lora微调部分参数。
2）混合精度训练，因为llama-7b有27g，想在单张V100上加载就需要转换成float16才行，而lora参数用的是float32，需要使用混合精度训练。同时混合精度训练也会有所加速。
3）梯度累积，单张gpu在存放完模型参数，lora参数、梯度、优化器等参数之后只剩下很少的显存给到输入输出等中间变量，经测试单张V100的极限大致是batch size=1，sequence length=200，只能使用梯度累积实现mini-batch训练。
4）当有多张卡时，可以使用数据并行、模型并行等方法微调，数据并行只是将模型复制到每张GPU上，因此单张GPU的batch size仍然只能是1，模型并行会将模型均分到每个GPU上，可以增大每张GPU上的batch size，在2张V100上测试了ddp（数据并行）和 基于zero-3 + cpu offload（数据并行+模型并行+CPU）。
3、要注意的代码讲解
3.1 data_helper.py
data_helper.py中主要注意下tokenizer()函数，一是padding是在左边padding，和我们通常的右边padding不太一样；二是labels中的pad_id=-100，因为pytorch中label=-100时不参与loss的计算。
def tokenize(self, prompt, add\_eos\_token=True):# there's probably a way to do this with the tokenizer settings# but again, gotta move fastresult = self.tokenizer(prompt,truncation\=True,max\_length\=self.sequence\_len,padding\=False,return\_tensors\=None)input\_ids, attention\_mask, labels \= \[\], \[\], \[\]if (result\["input\_ids"\]\[-1\] != self.eos\_token\_idand len(result\["input\_ids"\]) < self.sequence\_lenand add\_eos\_token):result\["input\_ids"\].append(self.eos\_token\_id)result\["attention\_mask"\].append(1)pad\_len \= self.sequence\_len - len(result\["input\_ids"\])if pad\_len <= 0:input\_ids \= result\["input\_ids"\]\[:self.sequence\_len\]attention\_mask \= result\["attention\_mask"\]\[:self.sequence\_len\]labels \= input\_ids.copy()else:input\_ids \= \[self.pad\_token\_id\] \* pad\_len + result\["input\_ids"\]attention\_mask \= \[0\] \* pad\_len + result\["attention\_mask"\]labels \= \[self.label\_pad\_token\_id\] \* pad\_len + result\["input\_ids"\]return input\_ids, attention\_mask, labels
3.2 metric.py
在指标计算中只实现了准确率，在这里要注意的是生成任务是前n-1个token生成第n个token，因此这里的预测结果和label要做一次不同的移位，即
pred_y = pred_y[:-1]
true_y = true_y[1:]
只要注意这里就好了，剩下的你需要计算什么指标都可以。
def accuracy(pred\_ys, true\_ys, masks):total \= 0corr \= 0for pred\_y, true\_y, mask in zip(pred\_ys, true\_ys, masks):# 做一层转换，让生成的结果对应上预测的结果，即前n-1个token预测第n个tokenpred\_y = pred\_y\[:-1\]true\_y \= true\_y\[1:\]mask \= mask\[:-1\]for p, t, m in zip(pred\_y, true\_y, mask):if m == 1:total += 1if p == t:corr += 1return corr / total if total > 0 else 0
4、训练方式
4.1 单GPU训练
单GPU训练很好理解，训练的时候只要注意下面的一段代码即可，混合精度训练+梯度累积
with autocast(): loss, predictions \= self.model(input\_ids, attention\_mask, labels)# 梯度累积训练loss /= self.accu\_steps# loss.backward()# 放大loss，并求梯度scaled\_loss = self.scaler.scale(loss)scaled\_loss.backward()if current\_step % self.accu\_steps == 0:# 先将梯度缩放回去，再执行梯度裁剪self.scaler.unscale\_(self.optimizer)clip\_grad\_norm\_(self.model.parameters(), 1.0)self.scaler.step(self.optimizer)self.scheduler.step()self.scaler.update()self.optimizer.zero\_grad()
4.2 多GPU + DDP训练
DDP训练也是大家最常用的方法，尤其是在模型没那么大的情况下，DDP训练就是主流，就不多赘述，在这里值得注意的是，每个GPU会分担一部分数据，在验证的时候如果需要拿到全部数据的验证结果并输出时，需要通过dist.all_gather 或者 dist.gather的方法将验证集的结果聚合到一块。详细代码见https://github.com/jiangxinyang227/LLM-tuning/blob/master/llama_tuning/lora_ddp/trainer.py
def eval(self):self.model.eval()with torch.no\_grad():eval\_losses \= \[\]eval\_word\_preds \= \[\]eval\_word\_labels \= \[\]eval\_masks \= \[\]for batch\_data in self.valid\_data\_loader:input\_ids \= batch\_data\[0\].cuda()attention\_mask \= batch\_data\[1\].cuda()labels \= batch\_data\[2\].cuda()with autocast():loss, predictions \= self.model(input\_ids, attention\_mask, labels)# 获取所有gpu上输出的数据avg\_loss\_multi\_gpu = reduce\_value(loss, average=True)gather\_preds \= \[torch.zeros\_like(predictions, dtype=predictions.dtype) for \_ in range(Config.world\_size)\]gather\_labels \= \[torch.zeros\_like(labels, dtype=labels.dtype) for \_ in range(Config.world\_size)\]gather\_masks \= \[torch.zeros\_like(attention\_mask, dtype=attention\_mask.dtype) for \_ in range(Config.world\_size)\]gather\_value(predictions, gather\_preds)gather\_value(labels, gather\_labels)gather\_value(attention\_mask, gather\_masks)eval\_losses.append(float(avg\_loss\_multi\_gpu))for pred, label, mask in zip(gather\_preds, gather\_labels, gather\_masks):eval\_word\_preds.extend(pred.tolist())eval\_word\_labels.extend(label.tolist())eval\_masks.extend(mask.tolist())if is\_main\_process():acc \= accuracy(pred\_ys=eval\_word\_preds, true\_ys=eval\_word\_labels, masks=eval\_masks)logger.info("\\n")logger.info("eval: num: {}, loss: {}, acc: {}".format(len(eval\_word\_preds), mean(eval\_losses), acc))logger.info("\\n")
4.3 deepspeed的zero-3 + cpu offload
在这里使用的是hugging face的accelerate库中的deepspeed方法，zero-3会将模型、梯度、优化器参数都分割到不同的GPU，并且使用cpu offload将一些中间变量放到cpu上，经实测使用两张GPU时，每张GPU的使用大概5个G多一点，单张卡的batch size可以设置到8，但是在实际训练过程中速度比DDP还要慢一点，这里的原因还是因为模型并行、CPU offload等带来了大量的通信工作，所以单张gpu能存放一整个模型时还是首推DDP。
使用accelerate中的deepspeed时，首先要通过accelerate config这个命令互动式配置训练参数，以下是我在配置时选择的参数
在使用deepspeed时可以通过json文件去配置其他参数，accelerate config只配置一些通用参数。zero-3 + cpu offload的json文件如下，配置的时候有几个参数（如allgather_bucket_size 和 reduce_bucket_size）要设小一点，不然显存会爆掉，默认的值会比较大，主要是V100太小了。
{"fp16": {"enabled": true,"loss\_scale": 0,"loss\_scale\_window": 1000,"initial\_scale\_power": 16,"hysteresis": 2,"min\_loss\_scale": 1},"optimizer": {"type": "AdamW","params": {"lr": 3e-4,"weight\_decay": 0.0}},"scheduler": {"type": "WarmupDecayLR","params": {"warmup\_min\_lr": "auto","warmup\_max\_lr": "auto","warmup\_num\_steps": "auto","total\_num\_steps": "auto"}},"zero\_optimization": {"stage": 3,"offload\_optimizer": {"device": "cpu","pin\_memory": true},"offload\_param": {"device": "cpu","pin\_memory": true},"overlap\_comm": true,"contiguous\_gradients": true,"allgather\_bucket\_size": 1e6, # 参数要小，不然容易内存爆掉"reduce\_bucket\_size": 1e6, # 参数要小，不然容易内存爆掉"stage3\_prefetch\_bucket\_size": 1e6, # 参数要小，不然容易内存爆掉"stage3\_param\_persistence\_threshold": 1e6, # 参数要小，不然容易内存爆掉"sub\_group\_size": 1e9,"stage3\_max\_live\_parameters": 1e9,"stage3\_max\_reuse\_distance": 1e9,"stage3\_gather\_16bit\_weights\_on\_model\_save": true},"gradient\_accumulation\_steps": 1,"gradient\_clipping": 1.0,"steps\_per\_print": 2000,"train\_batch\_size": "auto","train\_micro\_batch\_size\_per\_gpu": "auto","wall\_clock\_breakdown": false
}
在使用的时候有一个问题一直没有解决，保存模型时，保存完之后会出现GPU1掉线的情况，所以在这里将保存模型放在整个训练结束后保存，这个问题还没找到解决的办法，有知道怎么解的还麻烦指导下。
如果在运行时报这样的错误的话：
Traceback (most recent call last):File "/mnt/workspace/project/llm/local\_proj/chatglm\_tune/lora\_deepspeed/trainer.py", line 271, in <module>main()File "/mnt/workspace/project/llm/local\_proj/chatglm\_tune/lora\_deepspeed/trainer.py", line 265, in maintrainer \= Trainer()File "/mnt/workspace/project/llm/local\_proj/chatglm\_tune/lora\_deepspeed/trainer.py", line 93, in \_\_init\_\_self.model, self.optimizer, self.train\_data\_loader, self.valid\_data\_loader, self.scheduler \= self.accelerator.prepare(File "/home/pai/lib/python3.9/site-packages/accelerate/accelerator.py", line 1118, in prepareresult \= self.\_prepare\_deepspeed(\*args)File "/home/pai/lib/python3.9/site-packages/accelerate/accelerator.py", line 1415, in \_prepare\_deepspeedengine, optimizer, \_, lr\_scheduler \= deepspeed.initialize(\*\*kwargs)File "/home/pai/lib/python3.9/site-packages/deepspeed/\_\_init\_\_.py", line 165, in initializeengine \= DeepSpeedEngine(args=args,File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 308, in \_\_init\_\_self.\_configure\_optimizer(optimizer, model\_parameters)File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 1173, in \_configure\_optimizerself.optimizer \= self.\_configure\_zero\_optimizer(basic\_optimizer)File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/engine.py", line 1463, in \_configure\_zero\_optimizeroptimizer \= DeepSpeedZeroOptimizer\_Stage3(File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py", line 298, in \_\_init\_\_largest\_partitioned\_param\_numel \= max(\[File "/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py", line 299, in <listcomp>max(\[max(tensor.numel(), tensor.ds\_numel) for tensor in fp16\_partitioned\_group\])
ValueError: max() arg is an empty sequence
具体原因不知道为什么会导致这样，可以进入到/home/pai/lib/python3.9/site-packages/deepspeed/runtime/zero/stage3.py（具体的路径看报错的日志）文件中，将
largest\_partitioned\_param\_numel = max(\[max(\[max(tensor.numel(), tensor.ds\_numel) for tensor in fp16\_partitioned\_group\])for fp16\_partitioned\_group in self.fp16\_partitioned\_groups\])
改成
largest\_partitioned\_param\_numel = max(\[max(\[max(tensor.numel(), tensor.ds\_numel) for tensor in fp16\_partitioned\_group\])for fp16\_partitioned\_group in self.fp16\_partitioned\_groups if len (fp16\_partitioned\_group) > 0\])
即可运行。
