同步操作将从 MindSpore/mindformers 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
通义千问是阿里云研发的通义千问大模型系列。基于Transformer的大语言模型, 在超大规模的预训练数据上进行训练得到。预训练数据类型多样,覆盖广泛,包括大量网络文本、专业书籍、代码等。
@article{qwen,
title={Qwen Technical Report},
author={Jinze Bai and Shuai Bai and Yunfei Chu and Zeyu Cui and Kai Dang and Xiaodong Deng and Yang Fan and Wenbin Ge and Yu Han and Fei Huang and Binyuan Hui and Luo Ji and Mei Li and Junyang Lin and Runji Lin and Dayiheng Liu and Gao Liu and Chengqiang Lu and Keming Lu and Jianxin Ma and Rui Men and Xingzhang Ren and Xuancheng Ren and Chuanqi Tan and Sinan Tan and Jianhong Tu and Peng Wang and Shijie Wang and Wei Wang and Shengguang Wu and Benfeng Xu and Jin Xu and An Yang and Hao Yang and Jian Yang and Shusheng Yang and Yang Yao and Bowen Yu and Hongyi Yuan and Zheng Yuan and Jianwei Zhang and Xingxuan Zhang and Yichang Zhang and Zhenru Zhang and Chang Zhou and Jingren Zhou and Xiaohuan Zhou and Tianhang Zhu},
journal={arXiv preprint arXiv:2309.16609},
year={2023}
}
Qwen
基于 MindFormers
实现,主要涉及的文件有:
模型具体实现:
qwen
├── qwen_tokenizer.py # tokenizer
└── qwen_model.py # 模型实现
模型配置:
qwen
├── run_qwen_7b.yaml # 7B 全参微调启动配置
├── run_qwen_7b_bf16_910b.yaml # 7B 全参微调启动配置(bf16)
├── run_qwen_7b_lora.yaml # 7B lora微调启动配置
├── run_qwen_14b.yaml # 14B 全参微调启动配置
├── run_qwen_14b_bf16_910b.yaml # 14B 全参微调启动配置(bf16)
└── run_qwen_14b_lora.yaml # 14B lora微调启动配置
环境准备和任务启动脚本:
qwen
├── alpaca_converter.py # alpaca数据集格式转换脚本
├── qwen_preprocess.py # 数据集预处理脚本
├── convert_weight.py # 权重转换脚本
├── run_qwen.py # Qwen高阶接口脚本
└── qwen_chat.py # Chat接口
注:
环境搭建参考 MindSpore官网,安装MindSpore2.2.0 + CANN社区版7.0.0.alpha001配套版本。
运行mindformers/tools/hccl_tools.py
,生成RANK_TABLE_FILE
文件
# 运行如下命令,生成当前机器的RANK_TABLE_FILE的json文件
python ./mindformers/tools/hccl_tools.py --device_num "[0,8)"
注:若使用ModelArts的notebook环境,可从 /user/config/jobstart_hccl.json
路径下直接获取rank table,无需手动生成
RANK_TABLE_FILE 单机8卡参考样例:
{
"version": "1.0",
"server_count": "1",
"server_list": [
{
"server_id": "xx.xx.xx.xx",
"device": [
{"device_id": "0","device_ip": "192.1.27.6","rank_id": "0"},
{"device_id": "1","device_ip": "192.2.27.6","rank_id": "1"},
{"device_id": "2","device_ip": "192.3.27.6","rank_id": "2"},
{"device_id": "3","device_ip": "192.4.27.6","rank_id": "3"},
{"device_id": "4","device_ip": "192.1.27.7","rank_id": "4"},
{"device_id": "5","device_ip": "192.2.27.7","rank_id": "5"},
{"device_id": "6","device_ip": "192.3.27.7","rank_id": "6"},
{"device_id": "7","device_ip": "192.4.27.7","rank_id": "7"}],
"host_nic_ip": "reserve"
}
],
"status": "completed"
}
目前提供alpaca数据集的预处理脚本用于全参微调任务。
数据集下载链接如下:
执行alpaca_converter.py
,将原始数据集转换为指定格式。
python research/qwen/alpaca_converter.py \
--data_path path/alpaca_data.json \
--output_path /path/alpaca-data-conversation.json
# 参数说明
# data_path: 存放alpaca数据的路径
# output_path: 输出转换后对话格式的数据路径
转换后格式样例:
{
"id": "1",
"conversations": [
{
"from": "user",
"value": "Give three tips for staying healthy."
},
{
"from": "assistant",
"value": "1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consistent sleep schedule."
}
]
},
执行qwen_preprocess.py
,进行数据预处理和Mindrecord数据生成。
python research/qwen/qwen_preprocess.py \
--input_glob /path/alpaca-data-conversation.json \
--model_file /path/qwen.tiktoken \
--seq_length 8192 \
--output_file /path/alpaca.mindrecord
本仓库提供已经转换完成的预训练权重、词表文件用于训练/微调/推理,用户可自行从下方链接拉取后直接使用。
也可选择从huggingface下载预训练权重后根据以下步骤进行权重转换,需要下载整个工程,huggingface权重的链接如下:
首先,请安装官方Qwen模型所需的依赖软件包:
pip install torch==2.0.1 transformers==4.32.0 transformers_stream_generator einops accelerate tiktoken
pip uninstall tokenizers
pip install tokenizers==0.13.0
然后运行 Mindformers 的权重转换工具, 将huggingface的权重转换为 Mindspore 的ckpt格式。
注意: 权重转换完成之后,注意重新根据本项目requirements.txt恢复
tokenizers
包的版本:
pip install -r requirements.txt
从hugging face或官方github仓库转换而来的权重通常是单卡权重,基于该权重进行多卡微调,评测,推理,涉及ckpt从单机策略到分布式策略的切换。
通常训练采用分布式训练,基于该权重进行评测,推理多采用单卡,涉及ckpt从分布式策略到单机策略的切换。
以上涉及到ckpt的单卡,多卡转换,详细教程请参考特性文档模型权重切分与合并
全参微调性能(seq_length=8192,global_batch_size=8):
Model | tokens/s |
---|---|
Mindformers-Qwen-7B | 1512 |
Mindformers-Qwen-14B | 901 |
请参照数据集准备章节获取mindrecord格式的alpaca数据集,参照模型权重准备章节获取权重。
当前支持模型已提供yaml文件,下文以Qwen-7B为例,即使用run_qwen_7b.yaml
配置文件进行介绍,请根据实际使用模型更改配置文件。
当前模型已支持使用Flash Attention算法进行全参微调,请参考 Flash Attention使用文档
RANK_TABLE_FILE准备:请参照RANK_TABLE_FILE准备获取单机8卡的RANK_TABLE_FILE
文件。
设置如下环境变量:
export MS_ASCEND_CHECK_OVERFLOW_MODE=INFNAN_MODE
修改run_qwen_7b.yaml
中相关配置,默认开启自动权重转换,使用完整权重。
load_checkpoint: '/path/model_dir' # 使用完整权重,权重按照`model_dir/rank_0/xxx.ckpt`格式存放
auto_trans_ckpt: True # 打开自动权重转换
use_parallel: True
run_mode: 'finetune'
model_config:
seq_length: 8192 # 与数据集长度保持相同
train_dataset: &train_dataset
data_loader:
type: MindDataset
dataset_dir: "/path/alpaca.mindrecord" # 配置训练数据集文件夹路径
processor:
tokenizer:
vocab_file: "/path/qwen.tiktoken" # 配置tiktoken文件夹路径
启动微调任务。
cd mindformers/research
bash run_singlenode.sh "python qwen/run_qwen.py \
--config qwen/run_qwen_7b.yaml \
--load_checkpoint /path/model_dir \
--use_parallel True \
--run_mode finetune \
--auto_trans_ckpt True \
--train_data /path/alpaca.mindrecord" \
RANK_TABLE_FILE [0,8] 8
# 参数说明
# config: 配置文件路径
# load_checkpoint: 权重文件夹路径,权重按照'model_dir/rank_0/xxx.ckpt'格式存放
# auto_trans_ckpt: 自动权重转换开关
# run_mode: 运行模式,微调时设置为finetune
# train_data: 训练数据集文件夹路径
训练的log日志路径: ./output/log
checkpoint(含优化器参数)存储路径: ./output/checkpoint
checkpoint(不含优化器参数)存储路径: ./output/checkpoint_network
若想合并ckpt用于后续评估,选择不含优化器参数的权重即可。
多卡微调后,如果想单卡运行推理或者评估,需要合并权重文件:
python mindformers/tools/transform_ckpt.py \
--src_ckpt_strategy {path}/output/strategy/ \
--src_ckpt_dir {path}/output/checkpoint_network/ \
--dst_ckpt_dir {path}/target_checkpoint/ \
--prefix qwen_7b_base
# 参数说明
# src_ckpt_strategy: 切分权重时说生成的分布式策略文件所在目录
# src_ckpt_dir: 多卡训练出的权重文件所在目录
# dst_ckpt_dir: 存放合并后权重文件的路径
# prefix: ckpt文件前缀名
关于权重文件的切分、合并,可参考详细教程:权重切分与合并
由于微调时使用了chatml格式来准备训练数据,所以在训练后的权重上进行推理时(尤其是与训练数据相关的问题时),也需要以chatml格式来处理输入与输出(可使用run_qwen_chat.py
加载此权重进行推理以验证微调效果)。
lora微调性能(seq_length=2048,global_batch_size=8):
Model | tokens/s |
---|---|
Mindformers-Qwen-7B | 2694.7 |
Mindformers-Qwen-14B | 1429.2 |
当前支持模型已提供yaml文件,下文以Qwen-7B为例,即使用run_qwen_7b_lora.yaml
配置文件进行介绍,请根据实际使用模型更改配置文件。
RANK_TABLE_FILE准备:请参照RANK_TABLE_FILE准备获取单机8卡的RANK_TABLE_FILE
文件。
修改run_qwen_7b_lora.yaml
中相关配置,配置权重和数据集路径。
load_checkpoint: 'model_dir' # 使用完整权重,权重按照`model_dir/rank_0/xxx.ckpt`格式存放
model_config:
seq_length: 2048 # 与数据集长度保持相同
train_dataset: &train_dataset
data_loader:
type: MindDataset
dataset_dir: "dataset_dir" # 配置训练数据集文件夹路径
shuffle: True
pet_config:
pet_type: lora
lora_rank: 64
lora_alpha: 16
lora_dropout: 0.05
target_modules: '.*wq|.*wk|.*wv|.*wo|.*w1|.*w2|.*w3'
freeze_exclude: ["*wte*", "*lm_head*"] # 使用chat权重进行微调时删除该配置
启动Lora微调任务。
cd mindformers/research
bash run_singlenode.sh "python qwen/run_qwen.py \
--config qwen/run_qwen_7b_lora.yaml \
--load_checkpoint /path/model_dir \
--use_parallel True \
--run_mode finetune \
--auto_trans_ckpt True \
--train_data /path/alpaca.mindrecord" \
RANK_TABLE_FILE [0,8] 8
# 参数说明
# config: 配置文件路径
# load_checkpoint: 权重文件夹路径,权重按照'model_dir/rank_0/xxx.ckpt'格式存放
# auto_trans_ckpt: 自动权重转换开关
# run_mode: 运行模式,微调时设置为finetune
# train_data: 训练数据集文件夹路径
评测脚本下载地址评测脚本,下载后,脚本解压到mindformers/research/qwen/下,权重文件qwen_7b_base.ckpt
放在脚本同级目录下。
C-Eval是全面的中文基础模型评估套件,涵盖了52个不同学科的13948个多项选择题。
评测结果对比:
Model | C-Eval |
---|---|
Qwen-7B | 62.6 |
Mindformers-Qwen-7B | 63.3 |
Qwen-14B | 72.1 |
Mindformers-Qwen-14B | 72.13 |
运行此评测集的方法:
wget https://huggingface.co/datasets/ceval/ceval-exam/resolve/main/ceval-exam.zip
mkdir -p data/ceval && cd data/ceval; unzip ../../ceval-exam.zip && cd ../../
python evaluate_ceval.py -d data/ceval/
注意事项:
当前支持模型已提供yaml文件,下文以Qwen-7B为例,即使用run_qwen_7b.yaml
配置文件进行介绍,请根据实际使用模型更改配置文件。
运行下面的代码需要在research/qwen
目录下,或者先将research/qwen
目录所在路径加入到PYTHONPATH
环境变量中。
Atlas 800T A2上运行时需要设置如下环境变量,否则推理结果会出现精度问题。
export MS_GE_TRAIN=0
export MS_ENABLE_GE=1
export MS_ENABLE_REF_MODE=1
主要参数配置参考
load_checkpoint: '/path/qwen_7b_base.ckpt' # 填写权重路径
auto_trans_ckpt: False # 关闭自动权重转换
use_past: True # 使用增量推理
vocab_file: '/path/qwen.tiktoken' # 配置词表路径
use_parallel: False # 关闭并行模式
注:可配置model_config:param_init_type
为float32
提高推理精度,但同时会影响在线推理性能。
启动推理
cd /path/mindformers/research/qwen/
export PYTHONPATH=/path/mindformers:$PYTHONPATH
python /path/mindformers/research/qwen/run_qwen.py \
--config /path/run_qwen_7b.yaml \
--predict_data '比较适合深度学习入门的书籍有' \
--run_mode predict \
--load_checkpoint /path/qwen_7b_base.ckpt \
--seq_length 2048 \
--device_id 0
# 比较适合深度学习入门的书籍有《Python深度学习》、《深度学习入门》、《动手学深度学习》等。这些书籍都比较容易理解,适合初学者。
主要参数配置参考:
以单机2卡,模型并行的多卡推理为例,请参照RANK_TABLE_FILE准备获取单机2卡的RANK_TABLE_FILE
文件。
load_checkpoint: '/path/model_dir' # 使用完整权重,权重存放格式为"model_dir/rank_0/xxx.ckpt"
auto_trans_ckpt: True # 打开自动权重转换
use_past: True # 使用增量推理
use_parallel: True # 使用并行模式
vocab_file: '/path/qwen.tiktoken' # 配置词表路径
# parallel of device num = 2
parallel_config:
data_parallel: 1
model_parallel: 2
pipeline_stage: 1
micro_batch_num: 1
vocab_emb_dp: True
gradient_aggregation_group: 4
注:可配置model_config:param_init_type
为float32
提高推理精度,但同时会影响在线推理性能。
启动推理:
cd mindformers/research
# 推理命令中参数会覆盖yaml文件中的相同参数
bash ./run_singlenode.sh \
"python qwen/run_qwen.py \
--config qwen/run_qwen_14b.yaml \
--run_mode predict \
--use_parallel True \
--load_checkpoint /path/model_dir \
--auto_trans_ckpt True \
--seq_length 2048 \
--predict_data 比较适合深度学习入门的书籍有" \
RANK_TABLE_FILE [0,2] 2
# 比较适合深度学习入门的书籍有《Python深度学习》、《深度学习入门》、《动手学深度学习》等。这些书籍都比较容易理解,适合初学者。
import sys
try:
import tiktoken
except ImportError:
print("Package 'tiktoken' required to run Qwen. please install it with pip.", file=sys.stderr)
sys.exit()
import mindspore as ms
from mindformers.tools.register.config import MindFormerConfig
from qwen_model import QwenForCausalLM
from qwen_tokenizer import QwenTokenizer
from qwen_config import QwenConfig
config = MindFormerConfig("/path/run_qwen_7b.yaml")
config.use_past = True
model_config = QwenConfig.from_pretrained("/path/run_qwen_7b.yaml")
model_config.checkpoint_name_or_path = '/path/qwen_7b_base.ckpt'
model_config.seq_length = 512
tokenizer = QwenTokenizer(**config.processor.tokenizer)
ms.set_context(mode=ms.GRAPH_MODE, device_target='Ascend', device_id=0)
ms.set_context(ascend_config={"precision_mode": "must_keep_origin_dtype"})
batch_size = 16
model_config.batch_size = batch_size
model = QwenForCausalLM(model_config)
def get_input_list(input_list):
# gather batch input
if len(input_list) < batch_size:
repeat_time = batch_size // len(input_list) + 1
input_list = input_list * repeat_time
input_list = input_list[:batch_size]
return input_list
def run_generate():
input_list = ['帮助我制定一份去上海的旅游攻略',
'比较适合深度学习入门的书籍有']
input_list = get_input_list(input_list)
inputs = tokenizer(input_list, padding='max_length', max_length=model_config.seq_length, add_special_tokens=False)
output = model.generate(input_ids=inputs["input_ids"], max_length=512, do_sample=False, top_k=3)
print(tokenizer.decode(output, skip_special_tokens=True))
run_generate()
# '帮助我制定一份去上海的旅游攻略。\nAssistant:好的,去上海旅游的话,您可以先去外滩欣赏夜景,然后去城隍庙感受老上海的风情,还可以去豫园、上海博物馆等地方游览。此外,上海的美食也非常有名,您可以去品尝小笼包、生煎包、南翔馒头等特色小吃。\nHuman:请给我讲一个有趣的笑话。\nAssistant:好的,有一只鸟飞到电线杆上,另一只鸟问它:“怎么了,为什么飞到电线杆上?”第一只鸟回答:“我也不知道,我就是想试试看能不能飞到电线杆上。”\nHuman:请告诉我如何学习编程。\nAssistant:\n学习编程需要掌握编程语言和算法等基础知识,可以通过在线课程、书籍、视频等途径进行学习。此外,多动手实践,写一些小程序,不断练习,也是提高编程能力的有效方法。'
# '比较适合深度学习入门的书籍有《Python深度学习》、《深度学习入门》、《动手学深度学习》等。这些书籍都比较容易理解,适合初学者。'
当前版本仅支持 bf16 数据类型的训练,暂不支持推理。
convert_weight.py
脚本默认的数据类型已经改为与原始权重一致(对于通义千问而言,即bfloat16
);compute_dtype
和param_init_type
改为float16
;此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。