ChatGPT menggantikan "Little Alpaca" dan boleh dijalankan pada Mac! 2 baris kod untuk satu GPU, UC Berkeley mengeluarkan 7 bilion lagi parameter model sumber terbuka

Sejak Meta mengeluarkan "versi sumber terbuka ChatGPT" LLaMA, komuniti akademik telah menyertai karnival.

Pertama, Stanford mencadangkan 7 bilion parameter Alpaca, dan kemudian UC Berkeley bekerjasama dengan CMU, Stanford, UCSD dan MBZUAI untuk mengeluarkan 13 bilion parameter Vicuna, yang dicapai dalam lebih daripada 90% kes. Keupayaan untuk menyaingi ChatGPT dan Bard.

Hari ini, "Volume King" UC Berkeley LMSys org mengeluarkan 7 bilion lagi parameter Vicuna -

Bukan sahaja bersaiz kecil, tetapi juga kecekapan tinggi , berkuasa dan boleh dijalankan pada Mac dengan cip M1/M2 dengan hanya dua baris arahan, dan juga boleh mendayakan pecutan GPU!

Alamat projek: https://github.com/lm-sys/FastChat/#fine-tuning

Baru hari ini, penyelidik dari Hugging Face turut mengeluarkan model parameter 7 bilion - StackLLaMA. Ini adalah model yang diperhalusi pada LLaMA-7B melalui pembelajaran pengukuhan maklum balas manusia.

Vicuna-7B: GPU tunggal sejati, Mac boleh dijalankan

Kurang dari seminggu selepas keluaran model, UC Berkeley LMSys org mengumumkan keputusan Vicuna- berat 13B.

Antaranya, satu GPU memerlukan kira-kira 28GB memori video, manakala hanya menggunakan CPU memerlukan kira-kira 60GB memori.

Versi 7 bilion parameter yang dikeluarkan kali ini jauh lebih kecil - permintaan dipotong separuh.

Dengan kata lain, menjalankan Vicuna-7B dengan GPU tunggal hanya memerlukan memori 14GB+ manakala berjalan dengan CPU tulen hanya memerlukan memori 30GB+.

Bukan itu sahaja, kami juga boleh mendayakan pecutan GPU pada Mac yang dilengkapi dengan cip dibangunkan sendiri Apple atau GPU AMD melalui bahagian belakang Metal.

Apabila model 13B dikeluarkan, ramai netizen mengadu:

Apa yang saya fikirkan ialah GPU tunggal: 4090

GPU tunggal sebenar: memori video 28GB dan ke atas

Kini, masalah ini juga wujud penyelesaian - menggunakan pemampatan 8-bit untuk mengurangkan penggunaan memori secara langsung sebanyak kira-kira separuh, tetapi kualiti model akan berkurangan sedikit.

Memori video 28GB model 13B serta-merta menjadi 14GB memori video 14GB model 7B serta-merta menjadi 7GB, adakah ada! (Tetapi disebabkan pengaktifan, penggunaan sebenar akan lebih tinggi daripada ini)

Dalam hal ini, penyelidik dari LMSys org berkata bahawa jika anda mengalami kekurangan memori atau memori video, anda boleh menggunakan Add --load-8bit kepada arahan di atas untuk membolehkan pemampatan 8-bit.

Selain itu, sama ada CPU, GPU atau Metal, model 7B atau model 13B, ia terpakai kepada semua.

python3 -m fastchat.serve.cli --model-name /path/to/vicuna/weights --load-8bit

StackLLaMA: Tutorial latihan RLHF ultra-lengkap

Hari ini, penyelidik Hugging Face menerbitkan blog StackLLaMA: Panduan praktikal untuk melatih LLaMA dengan RLHF.

Model bahasa besar semasa ChatGPT, GPT-4 dan Claude semuanya menggunakan pembelajaran tetulang dengan maklum balas manusia (RLHF) untuk memperhalusi tingkah laku model untuk menghasilkan Respons yang lebih selaras dengan niat pengguna.

Di sini, penyelidik HF melatih model LlaMa untuk menggunakan RLHF untuk menjawab semua langkah pada Stack Exchange menggunakan gabungan:

· Denda Diawasi Penalaan (SFT)

· 奖励/偏好建模(RM)

· 人类反馈强化学习 (RLHF)

要注意了！

训练StackLLaMA的主要目标是提供一个教程和指南，介绍如何使用RLHF来训练模型，而不是主要关注模型的性能表现。

换句话说，该模型在生成答案方面非常滑稽，比如问它「我的花园里有一只骆驼，怎样才能把它赶走？」

StackLLaMA最后给出的一个总括「如果以上方法都不奏效，就要召集增援了。如果有不止一个人想抓住这个奇特的小家伙，为什么不召集一个团队呢？齐心协力，集中力量，这个问题应该很快就解决了」。

在进行RLHF时，最重要的是从一个强有力的模型开始。因为RLHF只是一个微调步骤，以便让模型与我们期望的互动方式和响应方式相一致。

当前，Meta开源的LLaMA模型参数大小从7B到65B不等，并且在1T到1.4T的token上进行了训练，是目前开源比较强大的模型。

因此，研究人员使用7B模型作为后续微调的基础。

在数据集选用上，研究人员使用了StackExchange数据集，包括所有的问题和答案（还有StackOverflow和其他主题）。

选用该数据集的好处是，答案伴随着点赞数和接受答案的标签一起给出。

研究人员根据A General Language Assistant as a Laboratory for Alignment论文中描述的方法，给每个答案打分：

score = log2 (1 + upvotes) rounded to the nearest integer, plus 1 if the questioner accepted the answer (we assign a score of −1 if the number of upvotes is negative).

对于奖励模型，始终需要每个问题两个答案来进行比较。

而有些问题有几十个答案，导致可能存在许多的可选对。因此，研究者对每个问题最多采样十个答案对，以限制每个问题的数据点数。

最后，通过将HTML转换为Markdown来清除格式，使模型输出更可读。

训练策略

即使训练最小的LLaMA模型也需要大量的内存。通过计算7B 参数模型将使用(2+8)*7B=70GB 内存空间。当计算注意力分数等中间值时，可能需要更多。因此，即使在单个80GB的A100上也无法训练该模型。

一种方法是使用更高效的优化器和半精度训练，将更多信息压缩到内存中，但内存仍旧不够用。

另一种选择是使用参数高效微调(PEFT)技术，例如PEFT库，它可以在8位模型上执行低秩适应(LoRA)。

线性层的低秩适应: 在冻结层（蓝色）旁边添加额外参数（橙色），并将结果编码的隐藏状态与冻结层的隐藏状态相加。

以8位加载模型大大减少了内存占用，因为每个参数只需要一个字节的权重。比如，7B LLaMA在内存中是7 GB。

LoRA不直接训练原始权重，而是在一些特定的层 (通常是注意力层) 上添加小的适配器层，因此可训练参数的数量大大减少。

在这种情况下，一个经验法则是为每十亿参数分配约1.2-1.4GB的内存（取决于批次大小和序列长度），以适应整个微调设置。

这可以以较低成本微调更大的模型（在NVIDIA A100 80GB上训练高达50-60B规模的模型）。这些技术已经能够在消费级设备，比如树莓派、手机，和GoogleColab上对大型模型进行微调。

研究人员发现尽管现在可以把非常大的模型放入当个GPU中，但是训练可能仍然非常缓慢。

在此，研究人员使用了数据并行策略：将相同的训练设置复制到单个GPU中，并将不同的批次传递给每个GPU。

监督微调

在开始训练奖励模型并使用RL调整模型之前，若要模型在任何情况下遵循指令，便需要指令调优。

实现这一点最简单的方法是，使用来自领域或任务的文本继续训练语言模型。

为了有效地使用数据，研究者使用一种称为「packing」的技术：在文本之间使用一个EOS标记连接许多文本，并切割上下文大小的块以填充批次，而无需任何填充。

通过这种方法，训练效率更高，因为通过模型的每个token也进行了训练。

奖励建模和人类偏好

原则上，研究人员可以使用RLHF直接通过人工标注对模型进行微调。然而，这需要在每次优化迭代之后将一些样本发送给人类进行评级。

由于需要大量的训练样本来实现收敛，人类阅读和标注速度固有的延迟，不仅昂贵，还非常缓慢。

因此，研究人员在RL调整模型之前，在收集的人工标注上训练一个奖励模型。奖励建模的目的是模仿人类对文本的评价，这一方法比直接反馈更有效。

在实践中，最好的方法是预测两个示例的排名，奖励模型会根据提示X提供两个候选项，并且必须预测哪一个会被人类标注员评价更高。

通过StackExchange 数据集，研究人员根据分数推断出用户更喜欢这两个答案中的哪一个。有了这些信息和上面定义的损失，就可以修改transformers.Trainer 。通过添加一个自定义的损失函数进行训练。

class RewardTrainer(Trainer):def compute_loss(self, model, inputs, return_outputs=False):
rewards_j = model(input_ids=inputs["input_ids_j"],attention_mask=inputs["attention_mask_j"])[0]
rewards_k = model(input_ids=inputs["input_ids_k"], attention_mask=inputs["attention_mask_k"])[0]
loss = -nn.functional.logsigmoid(rewards_j - rewards_k).mean()
if return_outputs:
return loss, {"rewards_j": rewards_j, "rewards_k": rewards_k}
return loss

研究人员利用100,000对候选子集，并在50,000对候选的支持集上进行评估。

训练通过Weights & Biases进行记录，在8-A100 GPU上花费了几个小时，模型最终的准确率为67%。

虽然这听起来分数不高，但是这个任务对于人类标注员来说也非常困难。

人类反馈强化学习

有了经过微调的语言模型和奖励模型，现在可以运行RL循环，大致分为以下三个步骤:

· 根据提示生成响应

· 根据奖励模型对回答进行评分

· 对评级进行强化学习策略优化

在对查询和响应提示进行标记并传递给模型之前，模板如下。同样的模版也适用于SFT，RM 和RLHF阶段。

Question: <Query>
Answer: <Response>

使用RL训练语言模型的一个常见问题是，模型可以通过生成完全胡言乱语来学习利用奖励模型，从而导致奖励模型得到不合实际的奖励。

为了平衡这一点，研究人员在奖励中增加了一个惩罚：保留一个没有训练的模型进行参考，并通过计算 KL散度将新模型的生成与参考模型的生成进行比较。

在训练期间对每个步骤进行批次奖励，模型的性能在大约1000个步骤后趋于稳定。

Atas ialah kandungan terperinci ChatGPT menggantikan "Little Alpaca" dan boleh dijalankan pada Mac! 2 baris kod untuk satu GPU, UC Berkeley mengeluarkan 7 bilion lagi parameter model sumber terbuka. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!