Part1LMFlow

香港科技大学新开源库LMFlow^[1]，有四大特性：可扩展、轻量级、定制化和完全开源。

https://github.com/OptimalScale/LMFlow

我们微调大语言模型做对话机器人，需要以下几个步骤：预训练、有监督微调、指令微调和人类价值观对齐。LMFlow 库可以加载现有的开源大模型，灵活组合这套流程的各环节，有点像HuggingFace的pipline思想，见下文微调示例。

目前支持几种流水线：

Part2上手指南

LMFlow使用文档^[2]：

https://optimalscale.github.io/LMFlow/

使用 conda 安装必要的依赖:

git clone https://github.com/OptimalScale/LMFlow.git
cd LMFlow
conda create -n lmflow python=3.9 -y
conda activate lmflow
conda install mpi4py
pip install -e .

运行 bash 脚本下载所需的数据集:

cd data && ./download.sh && cd -

我们也可以在指定的数据集目录下提供 .json 文件的列表。自定义数据的格式：

1、text2text 格式
{
  "type": "text2text",
  "instances": [
    {
      "input": "Question: The Transformer architecture [START_REF]",
      "output": "N/A"
    },
    ...
  ]
}

2、text_only
{
  "type": "text_only",
  "instances": [
    {
      "text": "Defintion: 。。。. For example,。。。Input: Question: Sentence: 。。。. nQuestion: 。。。? n Output: NA nn"
    },
    ...
  ]
}

Part3微调示例

通过pipeline_name传入名称即可，例如：inferencer、finetuner、evaluator等。官方demo^[3]微调代码的示例：

#!/usr/bin/env python
# coding=utf-8
import sys
from transformers import HfArgumentParser
from lmflow.args import (
    ModelArguments,
    DatasetArguments,
    AutoArguments)
from lmflow.datasets.dataset import Dataset
from lmflow.models.auto_model import AutoModel
from lmflow.pipeline.auto_pipeline import AutoPipeline


def main():
   # Parses arguments
    pipeline_name = "finetuner"
    PipelineArguments = AutoArguments.get_pipeline_args_class(pipeline_name)

    parser = HfArgumentParser((ModelArguments, DatasetArguments, PipelineArguments))
    if len(sys.argv) == 2 and sys.argv[1].endswith(".json"):
        # 如果传入json参数文件
        model_args, data_args, pipeline_args = parser.parse_json_file(json_file=os.path.abspath(sys.argv[1]))
    else:
        model_args, data_args, pipeline_args = parser.parse_args_into_dataclasses()

    # Initialization
    finetuner = AutoPipeline.get_pipeline(
        pipeline_name=pipeline_name,
        model_args=model_args,
        data_args=data_args,
        pipeline_args=pipeline_args,
    )
    dataset = Dataset(data_args)
    model = AutoModel.get_model(model_args)

    # Tokenization and text grouping must be done in the main process
    with pipeline_args.main_process_first(desc="dataset map tokenization"):
        tokenized_dataset = model.tokenize(dataset)
        lm_dataset = finetuner.group_text(
            tokenized_dataset,
            model_max_length=model.get_max_length(),
        )

    # Finetuning
    tuned_model = finetuner.tune(model=model, lm_dataset=lm_dataset)


if __name__ == '__main__':
    main()

参考资料