多样本Pack微调

使用场景

问题描述

由于计算资源紧缺，训练过程中加载的每个批次的样本长度不一，大部分的数据都需要在结尾padding到 seq_length 的长度，训练效率低，造成计算资源浪费；

特性介绍

多样本 Pack 的核心思想是将多个样本（如文本序列）打包成一个“Pack”，会将指定数据集中，不同长度的数据组合成指定长度，并尽可能地填充有效的数据内容。若拼接的数据无法达到指定的 seq-length 的长度，则该数据将会被 Pad 到指定的长度。因此，每条Pack数据集的长度都一致，从而减少训练过程中的样本数量，提高训练效率。

新样本是由多个初始样本合并而成，每个block是一个新的样本：

参与计算式的attn_mask 也改变成锯齿状的矩阵类型：

业界还有其他pack模式（下三角pack等），敬请期待支持。

使用方法

示例

接下来以Qwen2.5-7B的pack微调脚本使用Alpaca数据集微调为例

数据预处理

指令微调数据集预处理脚本如下：

Qwen2.5-7B的pack场景下的数据预处理脚本

参数说明：

• --pack

  将数据转为Pack格式。

• --neat-pack

  是 Pack 场景下使用锯齿状的attention_mask参与计算的开关，其作用是调整数据集处理阶段生成的attention_mask，为训练阶段生成对应的actual_seq_len准备。

• --seq-length

  指定Pack数据集每条数据的长度。

• --append-eod【可选参数】

  在每个输入序列的末尾添加一个特殊的标记来表示输入序列的结束。

• --overwrite-cache

  用于控制是否覆盖已存在的缓存分词器。

• --input

  可以直接输入到数据集目录或具体文件，如果是目录，则处理全部文件, 支持 .parquet \ .csv \ .json \ .jsonl \ .txt \ .arrow 格式， 同一个文件夹下的数据格式需要保持一致

• --map-keys

  参数用于配置字段映射来使用数据集。

启动命令：

# mcore
# 命名及启动：examples/mcore/qwen25/data_convert_qwen25_instruction_pack.sh
bash examples/mcore/qwen25/data_convert_qwen25_instruction_pack.sh

指令微调数据集处理结果如下：

./finetune_dataset/alpaca_packed_attention_mask_document.bin
./finetune_dataset/alpaca_packed_attention_mask_document.idx
./finetune_dataset/alpaca_packed_input_ids_document.bin
./finetune_dataset/alpaca_packed_input_ids_document.idx
./finetune_dataset/alpaca_packed_labels_document.bin
./finetune_dataset/alpaca_packed_labels_document.idx

微调时，数据集路径输入 ./finetune_dataset/alpaca 即可

可以使用任意的Alpaca风格数据和ShareGPT风格数据的数据集

微调脚本

指令微调脚本如下：

Qwen2.5-7B的pack微调脚本

填写相关路径：

• DATA_PATH

  指定数据预处理后的保存路径。

• TOKENIZER_MODEL

  指定模型的分词器路径（例如tokenizer.model）。

• CKPT_LOAD_DIR

  指向权重转换后保存的路径。

• CKPT_SAVE_DIR

  指向用户指定的微调后权重保存路径（例如指定保存到ckpt文件夹下）。

因此，根据之前的示例，路径应填写如下：

DATA_PATH="./finetune_dataset/alpaca"
CKPT_SAVE_DIR="./ckpt/"
TOKENIZER_MODEL="./model_from_hf/qwen25-7b-hf/"
CKPT_LOAD_DIR="./model_weights/qwen25-7b-mcore/"

微调相关参数说明：

• --is-instruction-dataset

  用于指定微调过程中采用指令微调数据集，以确保模型依据特定指令数据进行微调。

• --prompt-type

  用于指定模型模板，能够让base模型微调后能具备更好的对话能力。prompt-type的可选项可以在templates文件内查看。

• --reset-position-ids

  每条数据由不同的样本拼接而成，因此其位置 ID 并不连续。该参数用于为每条拼接的数据重置位置 ID，以确保在处理多个样本时，位置编码保持一致性。

• --neat-pack

  是Pack场景下使用锯齿状的attention_mask参与计算的开关，其作用是利用数据集处理阶段生成的attention_mask生成对应的actual_seq_len。

• --padded-samples 【可选参数】

  将样本总数凑成batch-size的整数倍。

• --no-shuffle【可选参数】

  数据顺序加载。

启动脚本：

bash examples/mcore/qwen25/tune_qwen25_7b_4k_full_pack.sh

更多模型支持Pack模式，请参考example目录使用

使用影响

• Pack 模式受数据长度限制，如果初始样本的长度超过模型设定的最大序列长度，需要进行截断处理；如果初始样本长度过短，可能会导致 Pack 中包含过多样本，增加计算复杂度。

• 微调时选择 Pack 模式，可有效减少训练时迭代的样本数量，初始的短序列长度的样本被 Pack 成一个新的样本，可以有效减少计算资源的浪费，提高微调效率。

• 选择Pack模式进行微调时，由于输入的inputs，labels，attn_mask等数据流改变，训练的效果和精度也会随之改变，所以效果和精度对比时，两边都需要采用Pack模式进行微调。

使用约束

• 数据预处理时，使用 --neat-pack 参数的前提是必须使用 --pack 参数。

• 微调时，使用 --neat-pack 参数的前提是必须使用 --reset-position-ids 参数。