wehub/artidoro--qlora

Fork 0

Files

T

wehub-resource-sync 9c1712f7e8 docs: make Chinese README the default

2026-07-13 10:49:51 +00:00

10 KiB

Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

QLoRA：量化 LLM 的高效微调

| 论文 | 适配器权重 | 演示 |

本仓库支持论文 "QLoRA: Efficient Finetuning of Quantized LLMs"，旨在让更多人能够参与 LLM 研究。

QLoRA 使用 bitsandbytes 进行量化，并与 Hugging Face 的 PEFT 和 transformers 库集成。QLoRA 由华盛顿大学 UW NLP 小组. 的成员开发。

更新

2023/7/19 - 新增 LLaMA 2 示例脚本并更新版本要求
2023/7/18 - 修复添加新 token 时嵌入层未冻结的问题

概述

我们提出了 QLoRA，一种高效的微调（finetuning）方法，可将显存占用降低到足以在单张 48GB GPU 上微调 65B 参数模型，同时保持与完整 16 位微调相当的下游任务性能。QLoRA 将梯度通过冻结的 4 位量化预训练语言模型反向传播到低秩适配器（Low Rank Adapters，LoRA）。我们表现最佳的模型系列命名为 Guanaco，在 Vicuna 基准上超越了此前所有公开发布的模型，达到 ChatGPT 性能水平的 99.3%，而仅需在单张 GPU 上微调 24 小时。QLoRA 引入了多项创新以节省显存且不牺牲性能：(a) 4 位 NormalFloat（NF4），一种对正态分布权重在信息论上最优的新数据类型；(b) 双重量化（Double Quantization），通过对量化常数再次量化来降低平均显存占用；(c) 分页优化器（Paged Optimizers）以管理显存峰值。我们使用 QLoRA 微调了超过 1,000 个模型，对 8 个指令数据集、多种模型类型（LLaMA、T5）以及常规微调难以运行的模型规模（例如 33B 和 65B 参数模型）上的指令遵循与聊天机器人性能进行了详细分析。结果表明，在小型高质量数据集上进行 QLoRA 微调即可达到最先进（state-of-the-art）结果，即使使用的模型规模小于此前的 SoTA。我们基于人工评估与 GPT-4 评估对聊天机器人性能进行了详细分析，表明 GPT-4 评估是人工评估的一种廉价且合理的替代方案。此外，我们发现当前的聊天机器人基准不足以可靠地准确评估聊天机器人的性能水平。我们发布了全部模型与代码，包括用于 4 位训练的 CUDA 内核。

许可证与预期用途

我们在 MIT 许可证下发布本仓库中与 QLoRA 微调相关的资源。此外，我们发布 Guanaco 模型系列，涵盖基础 LLaMA 模型的 7B、13B、33B 和 65B 规模。这些模型的用途须符合 LLaMA 许可证，并需要获得 LLaMA 模型的访问权限。

演示

Guanaco 是纯研究用途的系统，可能产生有问题的输出。

在此访问在线演示. 请注意这是 33B 模型，65B 模型演示将稍后推出。
或者使用此 notebook. 在 Colab 中直接托管你自己的 Guanaco gradio 演示。免费 GPU 可运行 7B 和 13B 模型。
另外，你能区分 ChatGPT 与 Guanaco 吗？来试试吧！你可以在此模型回复 Colab 上对比 ChatGPT 与 Guanaco 65B 在 Vicuna 提示词上的回答。

安装

要使用 transformers 和 bitsandbytes 以 4 位加载模型，你需要从源码安装 accelerate 和 transformers，并确保 bitsandbytes 库为最新版本。安装 PyTorch 后（请按此处), 说明操作），可通过以下命令完成上述步骤：

pip install -U -r requirements.txt

快速开始

qlora.py 代码是在多种数据集上进行微调与推理的起点。在 Alpaca 数据集上微调基线模型的基本命令：

python qlora.py --model_name_or_path <path_or_name>

对于大于 13B 的模型，我们建议调整学习率：

python qlora.py –learning_rate 0.0001 --model_name_or_path <path_or_name>

要复现我们的 Guanaco 模型，请见下文。

教程与演示

这里有一篇博客讨论 4 位量化、QLoRA 以及它们如何集成到 transformers 中。

你可以按照此 notebook. 在 Colab 中直接托管你自己的 gradio Guanaco 演示。此外，以下是使用 QLoRA 进行推理与微调的 Colab notebook 示例：

其他示例见 examples/ 文件夹。我们在 examples/guanaco_generate.py 提供了 guanaco 生成入门示例。

量化

量化参数通过 BitsandbytesConfig 控制（参见 HF 文档)），如下：

通过 load_in_4bit 启用 4 位加载
通过 bnb_4bit_compute_dtype 指定线性层计算所用的数据类型
通过 bnb_4bit_use_double_quant 启用嵌套量化
通过 bnb_4bit_quant_type 指定量化所用的数据类型。注意支持两种量化数据类型：fp4（四位浮点）和 nf4（正态四位浮点）。后者对正态分布权重在理论上最优，我们建议使用 nf4。

    model = AutoModelForCausalLM.from_pretrained(
        model_name_or_path='/name/or/path/to/your/model',
        load_in_4bit=True,
        device_map='auto',
        max_memory=max_memory,
        torch_dtype=torch.bfloat16,
        quantization_config=BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type='nf4'
        ),
    )

分页优化器

你可以通过参数 --optim paged_adamw_32bit 使用分页优化器。

Guanaco 微调

你可以选择 --dataset oasst1 来加载用于训练 Guanaco 的 OpenAssistant 数据集。你也可以在 HF 上找到：timdettmers/openassistant-guanaco.

我们在 ./scripts/finetune_guanaco*.sh 提供了复现各规模 Guanaco 模型训练超参数的脚本。请确保调整 per_device_train_batch_size 和 gradient_accumulation_steps，使二者乘积为 16，且训练能在你的 GPU 上运行。

使用本地数据集

你可以使用 --dataset 参数指定数据集路径。如果未设置 --dataset_format 参数，将默认使用 Alpaca 格式。以下是几个示例：

使用 alpaca 格式数据集训练：

python qlora.py --dataset="path/to/your/dataset"

使用 self-instruct 格式数据集训练：

python qlora.py --dataset="path/to/your/dataset" --dataset_format="self-instruct"

多 GPU

多 GPU 训练与推理可通过 Hugging Face 的 Accelerate 开箱即用。请注意，per_device_train_batch_size 和 per_device_eval_batch_size 参数是全局批次大小，与其名称所暗示的含义不同。

在多个 GPU 上加载模型进行训练或推理时，应向 AutoModelForCausalLM.from_pretrained() 传入类似以下的配置：

device_map = "auto"
max_memory = {i: '46000MB' for i in range(torch.cuda.device_count())}

示例输出

我们在 eval/generations 文件夹中提供了论文所述模型针对 OA 和 Vicuna 查询的生成结果。这些旨在促进对模型评估和分析的进一步研究。

你能区分 ChatGPT 和 Guanaco 吗？来试试吧！你可以在此处访问模型响应 Colab comparing ChatGPT and Guanaco 65B on Vicuna prompts.

评估

我们收录了改编自 FastChat 仓库的脚本，可使用 GPT-4 自动评估模型生成结果。其中包括相对于 ChatGPT 的对比脚本（十分制评分），以及采用三类标签（win、loose 或 tie）的「成对比较」（pairwise comparisons）。这些脚本位于 eval 文件夹。

为促进我们评估工作的复现以及该领域的后续研究，我们发布了各系统的 GPT-4 评分与人工评分。这些数据位于 eval/ratings-human 和 eval/ratings-gpt4。

更多细节请参阅 eval/EVAL_README.md。

已知问题与限制

以下是已知问题与缺陷列表。若你遇到的问题未在此列出，请新建 issue 并描述具体情况。

4-bit 推理速度较慢。目前，我们的 4-bit 推理实现尚未与 4-bit 矩阵乘法集成。
使用 Trainer 恢复 LoRA 训练运行目前不受 HF（Hugging Face）支持。
目前，使用 bnb_4bit_compute_type='fp16' 可能导致不稳定。对于 7B LLaMA，仅有 80% 的微调运行能无错误完成。我们已有解决方案，但尚未集成到 bitsandbytes 中。
请确保使用 tokenizer.bos_token_id = 1 以避免生成问题。
如果你遇到此 issue ("illegal memory access")，则应使用较新的 HF LLaMA 转换版本或降级 PyTorch 版本。
添加新 token 的问题详见 #214。若添加新 token，需要更新 embedding 并存储/重新加载。

引用

@article{dettmers2023qlora,
  title={QLoRA: Efficient Finetuning of Quantized LLMs},
  author={Dettmers, Tim and Pagnoni, Artidoro and Holtzman, Ari and Zettlemoyer, Luke},
  journal={arXiv preprint arXiv:2305.14314},
  year={2023}
}

致谢

我们感谢 Hugging Face 团队，尤其是 Younes Belkada，在将 QLoRA 集成到 PEFT 和 transformers 库方面给予的支持。我们也感谢 Meta 发布 LLaMA 模型，没有这些模型，本工作将无法实现。

本仓库基于 Stanford Alpaca 和 LMSYS FastChat 仓库构建。

10 KiB Raw Permalink Blame History Unescape Escape