LLaMA-Factory 基于docker的大模型多卡分布式微调

阅读本书更多章节>>>>

LLaMA-Factory是一个相当优秀的微调工具。这里提供一个dockerfile和一个train脚本，用于多卡微调，供大家参考。

Dockerfile

FROM nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04# python3RUN apt-get update && apt-get install -y python3.10 python3-pip# torchCOPY torch-2.2.0+cu121-cp310-cp310-linux_x86_64.whl torch-2.2.0+cu121-cp310-cp310-linux_x86_64.whlRUN pip3 install torch-2.2.0+cu121-cp310-cp310-linux_x86_64.whl# llama factory requirementsRUN pip3 install transformers==4.37.2 datasets==2.16.1 accelerate==0.25.0 peft==0.7.1 trl==0.7.10 gradio==3.50.2 \    deepspeed modelscope ipython scipy einops sentencepiece protobuf jieba rouge-chinese nltk sse-starlette matplotlib \    --no-cache-dir -i https://pypi.tuna.tsinghua.edu.cn/simple# unslothRUN apt-get install -y gitRUN pip install --upgrade pipRUN pip install triton --no-cache-dir -i https://pypi.tuna.tsinghua.edu.cn/simpleRUN pip install "unsloth[cu121_ampere_torch220] @ git+https://github.com/unslothai/unsloth.git"

train.sh

docker run \  -it \  --rm \  --name llm \  --network=host \  --shm-size 32G \  --gpus all \  -v /home/[user_name]/.cache/modelscope/hub/:/root/.cache/modelscope/hub/ \  -v /home/[user_name]/LLaMA-Factory/:/LLaMA-Factory/ \  -v /home/[user_name]/.cache/huggingface/accelerate/default_config.yaml:/root/.cache/huggingface/accelerate/default_config.yaml \  -w /LLaMA-Factory \  -e USE_MODELSCOPE_HUB=1 \  llm:v1.1 \  accelerate launch src/train_bash.py \    --stage sft \    --do_train True \    --model_name_or_path ZhipuAI/chatglm3-6b \    --finetuning_type lora \    --use_unsloth True \    --template chatglm3 \    --dataset_dir data \    --dataset alpaca_gpt4_zh \    --cutoff_len 512 \    --learning_rate 5e-05 \    --num_train_epochs 2.0 \    --max_samples 8000 \    --per_device_train_batch_size 1 \    --gradient_accumulation_steps 2 \    --lr_scheduler_type cosine \    --max_grad_norm 1.0 \    --logging_steps 5 \    --save_steps 1000 \    --warmup_steps 0 \    --lora_rank 8 \    --lora_dropout 0.1 \    --lora_target query_key_value \    --output_dir saves/ChatGLM3-6B-Chat/lora/train_20240212 \    --fp16 True \    --plot_loss True

注意事项：

–shm-size 32G --gpus all 这两个参数是必要的–use_unsloth True 可以调用unsloth实现加速需要保证–gradient_accumulation_steps 2在deepspeed配置中的一致性

default_config.yaml

compute_environment: LOCAL_MACHINEdebug: false# distributed_type: MULTI_GPUdeepspeed_config:  deepspeed_multinode_launcher: standard  gradient_accumulation_steps: 2  offload_optimizer_device: none  offload_param_device: none  zero3_init_flag: false  zero3_save_16bit_model: false  zero_stage: 2distributed_type: DEEPSPEED downcast_bf16: 'no'gpu_ids: allmachine_rank: 0main_training_function: mainmixed_precision: bf16num_machines: 1num_processes: 2rdzv_backend: staticsame_network: truetpu_env: []tpu_use_cluster: falsetpu_use_sudo: falseuse_cpu: false

感谢以下两篇博客：
单卡 3 小时训练专属大模型 Agent：基于 LLaMA Factory 实战
Accelerate 0.24.0文档 二：DeepSpeed集成

阅读本书更多章节>>>>

本文链接：https://www.kjpai.cn/zhengce/2024-04-28/163123.html，文章来源：网络cs，作者：欧阳逸，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！