ดาวน์โหลด Alpaca LoRA RLHF PyTorch - Alpaca LoRA RLHF PyTorch ดาวน์โหลดซอร์สโค้ด

Alpaca LoRA RLHF PyTorch

โค้ดแหล่งที่มา AI

1.0.0

ดาวน์โหลด

อัลปาก้า-LoRA-RLHF-PyTorch

ไปป์ไลน์เต็มรูปแบบเพื่อปรับแต่ง Alpaca LLM ด้วย LoRA และ RLHF บนฮาร์ดแวร์สำหรับผู้บริโภค

สารบัญ

อัลปาก้า-LoRA-RLHF-PyTorch
- สารบัญ
- การตั้งค่าสภาพแวดล้อม
- รายการสิ่งที่ต้องทำ
- วิ่ง
  - กำกับดูแล Finetune
  - รวมอะแดปเตอร์ PEFT เข้ากับโมเดล
  - โมเดลรางวัลรถไฟ
    - รวมอะแดปเตอร์รางวัลเข้ากับโมเดล
  - ปรับ LM ด้วย PPO
- หมายเหตุ
- อ้างอิง
- สตาร์-ประวัติศาสตร์
- บริจาค
- ใบอนุญาต

การตั้งค่าสภาพแวดล้อม

穷人卡：2080Ti 12G
torch==2.0.0
cuda==11.8

รายการสิ่งที่ต้องทำ

SFT: Finetune ที่มีการดูแล
รวมอะแดปเตอร์เข้ากับโมเดล
RLHF
- โมเดลรางวัลรถไฟ
- ปรับจูนด้วย RL

วิ่ง

กำกับดูแล Finetune

 check src/peft/utils/save_and_load.py , Only comment the line 52 to # #to_return = {k: v for k, v in to_return.items() if (("lora_" in k and adapter_name in k) or ("bias" in k))}

python supervised_finetune.py --base_model ' decapoda-research/llama-7b-hf ' --data_path ' yahma/alpaca-cleaned ' --output_dir ' ./lora-alpaca ' --num_epochs 1

รวมอะแดปเตอร์ PEFT เข้ากับโมเดล

pip uninstall peft -y
pip install peft==0.2.0  # 0.3.0.dev0 raise many errors
python merge_peft_adapter.py --model_name ./alpaca-lora

โมเดลรางวัลรถไฟ

 python train_reward_model.py --model_name 'decapoda-research/llama-7b-hf' --gradient_accumulation_steps 32 --per_device_train_batch_size 1 --train_subset 100 --eval_subset 10 --local_rank 0 --bf16 False

รวมอะแดปเตอร์รางวัลเข้ากับโมเดล

python merge_peft_adapter.py --model_name ./alpaca-lora-reward-model

ปรับ LM ด้วย PPO

python tuning_lm_with_rl.py --model_name ' ./lora-alpaca-adapter-merged ' --reward_model_name ' ./lora-alpaca-reward-model-adapter-merged ' --adafactor False --tokenizer_name ' decapoda-research/llama-7b-hf ' --save_freq 100 --output_max_length 128 --batch_size 1 --gradient_accumulation_steps 1 --batched_gen True --ppo_epochs 1 --seed 0 --learning_rate 1.4e-5 --early_stopping True --output_dir ' ./checkpoints/tuning_llama_rl '

หมายเหตุ

第一步SFT之前，切记有个注意事项，需要检查下安装的peft代码， src/peft/utils/save_and_load.py , 如果 line 52 有这行代码#to_return = {k: v สำหรับ k, v ใน to_return.items() if (("lora_" ใน k และ adapter_name ใน k) หรือ ("bias" ใน k))}完之后，保存不了 รุ่นอะแดปเตอร์的参数。切记!
PEFT 版本，目前从git上安装的是 0.3.0.dev0 版本，在merge_peft_adapter的时候有问题，需要切换到peft==0.2.0 (0.3.0.dev0 มี _get_submodules()这个函数)
โมเดลรางวัลรถไฟของ 会发生另一个问题： ValueError: น้ำหนักอยู่ในอุปกรณ์เมตา เราต้องการ value ที่จะใส่ใน 0 หม้อแปลงไฟฟ้า需要参看在github上的最新代码，我在发现这个问题的时候，隔天发现在transformer的github上 8小时前才刚刚修复了这个问题。
最后一步，代码上基本是ok的，但是本人只有2080Ti的卡，加载完finetune model之后，再加载Reward model的时候直接CUDA out of หน่วยความจำ了，所以并未执行。