【转帖】训练中文LLaMA大规模语言模型
https://zhuanlan.zhihu.com/p/612752963?utm_id=0
最近，FacebookResearch 开源了他们最新的大规模语言模型 LLaMA，包含从 7B 到 65B 的参数范围，训练使用多达 14,000 亿 tokens 语料。其中，LLaMA-13B 在大部分基准测评上超过了 GPT3（175B），与目前最强的语言模型 Chinchilla-70B 和 PaLM-540B 相比，LLaMA-65B 也具有竞争力。因此，LLaMA 可能是目前公开模型权重中效果最好的语言模型。
论文：https://arxiv.org/abs/2302.13971
代码：https://github.com/facebookresearch/llama
在论文中，作者针对常识推理、问答、数学推理、代码生成、语言理解等能力对 LLaMA 进行了评测。结果显示，LLaMA 以相对少量的参数获得了媲美超大模型的效果，这对 NLP 社区的研究者们更加友好，因为它可以在单个 GPU 上运行。开源代码提供 LLaMA 的文本生成示例，可以直接用于一些 Zero/Few-Shot Learning 任务。也有许多用户关心如何使用自己的数据微调或增量训练LLaMA模型，然而Facebook目前还没有提供对应的训练代码。在本文中，我们介绍如何基于 TencentPretrain 预训练框架训练 LLaMA 模型。
TencentPretrain 是 UER-py 预训练框架的多模态版本，支持 BERT、GPT、T5、ViT、Dall-E、Speech2Text 等模型，支持文本、图像和语音模态预训练及下游任务。TencentPretrain 基于模块化设计，用户可以通过模块组合的方式构成各种模型，也可以通过复用已有的模块进行少量修改来实现新的模型。例如，LLaMA 的模型架构基于 Transformer 有三项改动：
- 前置 normalization [GPT3]: 在每个 transformer 层输入之前进行标准化，以提高训练稳定性。标准化层使用RMSNorm。
- SwiGLU 激活函数[PaLM]：在 Feedforward 层使用 Gated Linear Units [T5] 以及 SwiGLU 激活函数。
- 旋转位置编码[GPTNeo]：移除了 Embedding 层的绝对位置编码，并在每个 transformer 层增加旋转位置编码（RoPE）。
得益于模块化特性，我们在 TencentPretrain 中基于 GPT2 模型的已有模块，仅添加约 100 行代码就能实现以上三个改动从而训练 LLaMA 模型。具体的使用步骤为：
- 克隆 TencentPretrain 项目，并安装依赖：PyTorch、DeepSpeed、SentencePiece
git clone https://github.com/Tencent/TencentPretrain.git2. 下载 LLaMA 模型权重（7B），可以向 FacebookResearch 申请模型，或者从 Huggingface 社区获取；将模型权重转换为 TencentPretrain 格式
cd TencentPretrain
python3 scripts/convert_llama_to_tencentpretrain.py --input_model_path $LLaMA_7B_FOLDER/consolidated.00.pth --output_model_path models/llama-7b.bin --layers_num 323. 调整配置文件
将 tencentpretrain/utils/constants.py 文件中 L4: special_tokens_map.json 修改为 llama_special_tokens_map.json
4. 语料预处理：使用项目自带的语料作为演示，也可以使用相同格式的语料进行替换
预训练语料下载
python3 preprocess.py --corpus_path corpora/book_review.txt --spm_model_path $LLaMA_7B_FOLDER/tokenizer.model \
--dataset_path dataset.pt --processes_num 8 --data_processor lm5. 启动训练，以8卡为例
deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_config.json \
--pretrained_model_path models/llama-7b.bin \
--dataset_path dataset.pt --spm_model_path $LLaMA_7B_FOLDER/tokenizer.model \
--config_path models/llama/7b_config.json \
--output_model_path models/output_model.bin \
--world_size 8 --learning_rate 1e-4 \
--data_processor lm --total_steps 10000 --save_checkpoint_steps 2000 --batch_size 24启动训练后，可以看到模型的 loss 和准确率：
模型推理
类似 facebookresearch/llama ，TencentPretrain 也提供语言模型推理代码。例如，使用单卡进行 LLaMA-7B 推理，prompt 在文件beginning.txt 中：
python3 scripts/generate_lm.py --load_model_path models/llama-7b.bin --spm_model_path $LLaMA_7B_FOLDER/tokenizer.model \
--test_path beginning.txt --prediction_path generated_sentence.txt \
--config_path models/llama/7b_config.json
开源的 LLaMA 模型在预训练阶段主要基于英语训练，也具有一定的多语言能力，然而由于它没有将中文语料加入预训练，LLaMA在中文上的效果很弱。利用 TencentPretrain 框架，用户可以使用中文语料增强 LLaMA 的中文能力，也可以将它微调成垂直领域模型。
目前，TencentPretrain 只支持 LLaMA-7B 训练，我们将会持续改进以支持所有规模的 LLaMA 模型训练/微调并分享更多实验结果。欢迎大家分享使用 TencentPretrain 训练的模型权重或提交 Pull Request 贡献代码。
其他预训练模型权重例如中文 BERT、GPT、T5 等可以在我们的 Model Zoo 或者 Huggingface 仓库下载。
更新：LLaMA中文权重以及对话模型