0


使用ORPO微调Llama 3

ORPO是一种新的微调技术,它将传统的监督微调和偏好对齐阶段结合到一个过程中。减少了训练所需的计算资源和时间。论文的实证结果表明,ORPO在各种模型大小和基准上都优于其他对齐方法,所以这次我们就来使用最新的Llama 3来测试下ORPO的效果。

我们将使用ORPO和TRL库对新的Llama 3 8b模型进行微调。

ORPO

指令调优和偏好对齐是使大型语言模型(llm)适应特定任务的基本技术。这涉及一个多阶段的过程:1、监督微调(SFT)指令,使模型适应目标领域;2、偏好校准,如人类反馈强化学习(RLHF)或直接偏好优化(DPO),增加产生首选响应的可能性。

虽然SFT有效地使模型适应所需的领域,但它无意中增加了生成不希望的答案和首选答案的概率。这就是为什么需要第二阶段的偏好校准,通过偏好校准,可以扩大偏好输出和拒绝输出的可能性之间的差距。

ORPO通过将指令调优和偏好对齐结合到一个单一的整体训练过程中,为该问题提供了一个优雅的解决方案。ORPO修改了标准语言建模目标,将负对数似然损失与比值比(OR)项结合起来。这种OR损失会对被拒绝的反应进行弱惩罚,而对偏好的反应进行强奖励,从而允许模型同时学习目标任务并与人类偏好保持一致。

更具体的ORPO介绍,可以看我们前几天发布的文章:

ORPO偏好优化:性能和DPO一样好并且更简单的对齐方法

目前ORPO已经在主要的微调库中实现,比如TRL、Axolotl和LLaMA-Factory,所以我们可以直接就拿来用

ORPO微调Llama 3

Llama 3已经发布了两种模型大小:700亿参数模型和较小的80亿参数模型。70B模型在MMLU基准测试中得分82分,在HumanEval基准测试中得分81.7分,可以说是相当不错的。

并且Llama 3模型还将上下文长度增加到8,192个令牌(Llama 2为4,096个),并可以使用RoPE扩展到32k。模型还使用了具有128k词表的,参数从7B到8B参数的增加,基本上就是词表数量的增加。

要使用ORPO需要一个偏好数据集,包括提示、选择的答案和拒绝的答案。

我们将使用mlabonne/orpo-dpo-mix-40k,因为他是以下高质量DPO数据集的组合:

  1. argilla/distilabel-capybara-dpo-7k-binarized: highly scored chosen answers >=5 (2,882 samples)
  2. argilla/distilabel-intel-orca-dpo-pairs: highly scored chosen answers >=9, not in GSM8K (2,299 samples)
  3. argilla/ultrafeedback-binarized-preferences-cleaned: highly scored chosen answers >=5 (22,799 samples)
  4. argilla/distilabel-math-preference-dpo: highly scored chosen answers >=9 (2,181 samples)
  5. unalignment/toxic-dpo-v0.2 (541 samples)
  6. M4-ai/prm_dpo_pairs_cleaned (7,958 samples)
  7. jondurbin/truthy-dpo-v0.1 (1,016 samples)

首先我们安装依赖

  1. pip install -U transformers datasets accelerate peft trl bitsandbytes wandb

安装完成后,我们可以导入必要的库并登录WB(可选):

  1. import gc
  2. import os
  3. import torch
  4. import wandb
  5. from datasets import load_dataset
  6. from google.colab import userdata
  7. from peft import LoraConfig, PeftModel, prepare_model_for_kbit_training
  8. from transformers import (
  9. AutoModelForCausalLM,
  10. AutoTokenizer,
  11. BitsAndBytesConfig,
  12. TrainingArguments,
  13. pipeline,
  14. )
  15. from trl import ORPOConfig, ORPOTrainer, setup_chat_format
  16. wb_token = userdata.get('wandb')
  17. wandb.login(key=wb_token)

如果你有一个最新的GPU,可以使用Flash Attention 库取代默认的eager注意力,因为它效率更高,所以我们直接使用下面代码来进行判断,支持的话就是用Flash Attention,不支持就用默认的。

  1. if torch.cuda.get_device_capability()[0] >= 8:
  2. !pip install -qqq flash-attn
  3. attn_implementation = "flash_attention_2"
  4. torch_dtype = torch.bfloat16
  5. else:
  6. attn_implementation = "eager"
  7. torch_dtype = torch.float16

然后我们使用bitsandbytes,以4位精度加载Llama 38 8B模型,使用QLoRA来作为 PEFT的方法。然后调用setup_chat_format()函数来修改模型和标记器让其支持ChatML。这个函数会自动应用聊天模板,添加特殊的标记,并调整模型嵌入层的大小以匹配新的词汇表大小。

  1. # Model
  2. base_model = "meta-llama/Meta-Llama-3-8B"
  3. new_model = "OrpoLlama-3-8B"
  4. # QLoRA config
  5. bnb_config = BitsAndBytesConfig(
  6. load_in_4bit=True,
  7. bnb_4bit_quant_type="nf4",
  8. bnb_4bit_compute_dtype=torch_dtype,
  9. bnb_4bit_use_double_quant=True,
  10. )
  11. # LoRA config
  12. peft_config = LoraConfig(
  13. r=16,
  14. lora_alpha=32,
  15. lora_dropout=0.05,
  16. bias="none",
  17. task_type="CAUSAL_LM",
  18. target_modules=['up_proj', 'down_proj', 'gate_proj', 'k_proj', 'q_proj', 'v_proj', 'o_proj']
  19. )
  20. # Load tokenizer
  21. tokenizer = AutoTokenizer.from_pretrained(base_model)
  22. # Load model
  23. model = AutoModelForCausalLM.from_pretrained(
  24. base_model,
  25. quantization_config=bnb_config,
  26. device_map="auto",
  27. attn_implementation=attn_implementation
  28. )
  29. model, tokenizer = setup_chat_format(model, tokenizer)
  30. model = prepare_model_for_kbit_training(model)

通过上面的设置,模型已经准备好进行训练了,加载mlabonne/orpo-dpo-mix-40k,并使用apply_chat_template()函数将“选中”和“拒绝”列转换为ChatML格式。为了方便演示只使用了1000个样本,而不是整个数据集,因为运行它需要很长时间。

  1. dataset_name = "mlabonne/orpo-dpo-mix-40k"
  2. dataset = load_dataset(dataset_name, split="all")
  3. dataset = dataset.shuffle(seed=42).select(range(10))
  4. def format_chat_template(row):
  5. row["chosen"] = tokenizer.apply_chat_template(row["chosen"], tokenize=False)
  6. row["rejected"] = tokenizer.apply_chat_template(row["rejected"], tokenize=False)
  7. return row
  8. dataset = dataset.map(
  9. format_chat_template,
  10. num_proc= os.cpu_count(),
  11. )
  12. dataset = dataset.train_test_split(test_size=0.01)

最后我们设置超参数:

learning_rate:与传统的SFT甚至DPO相比,ORPO的学习率非常低。这个8e-6的值来源于原文,大致对应的SFT学习率为1e-5, DPO学习率为5e-6。但是可以试试将它增加到1e-6左右。

beta:它是本文中的\lambda参数,默认值为0.1。原始论文的附录显示了它是如何在消融研究中被选择的。

其他参数,如max_length和批处理大小被设置为使用尽可能多的VRAM(我们目前的配置中约为占用20 GB,如果你是4090,建议使用我们的配置)。

  1. orpo_args = ORPOConfig(
  2. learning_rate=8e-6,
  3. beta=0.1,
  4. lr_scheduler_type="linear",
  5. max_length=1024,
  6. max_prompt_length=512,
  7. per_device_train_batch_size=2,
  8. per_device_eval_batch_size=2,
  9. gradient_accumulation_steps=4,
  10. optim="paged_adamw_8bit",
  11. num_train_epochs=1,
  12. evaluation_strategy="steps",
  13. eval_steps=0.2,
  14. logging_steps=1,
  15. warmup_steps=10,
  16. report_to="wandb",
  17. output_dir="./results/",
  18. )

最后使用ORPOTrainer训练模型

  1. trainer = ORPOTrainer(
  2. model=model,
  3. args=orpo_args,
  4. train_dataset=dataset["train"],
  5. eval_dataset=dataset["test"],
  6. peft_config=peft_config,
  7. tokenizer=tokenizer,
  8. )
  9. trainer.train()
  10. trainer.save_model(new_model)

训练结果如下:

虽然损失有所下降,但被选中和被拒绝的答案之间的差异并不明显:平均差值和准确率分别略高于零和0.5。

在最初的论文中,作者在Anthropic/hh-rlhf数据集(161k样本)上训练了10个epoch,我们只训练了1个epoch,作者也尝试了lama 3,并分享了他们的日志(我们最后提供地址)。

作为训练的最后部分,还需要将QLoRA适配器与基本模型合并,

  1. # Flush memory
  2. del trainer, model
  3. gc.collect()
  4. torch.cuda.empty_cache()
  5. # Reload tokenizer and model
  6. tokenizer = AutoTokenizer.from_pretrained(base_model)
  7. model = AutoModelForCausalLM.from_pretrained(
  8. base_model,
  9. low_cpu_mem_usage=True,
  10. return_dict=True,
  11. torch_dtype=torch.float16,
  12. device_map="auto",
  13. )
  14. model, tokenizer = setup_chat_format(model, tokenizer)
  15. # Merge adapter with base model
  16. model = PeftModel.from_pretrained(model, new_model)
  17. model = model.merge_and_unload()

这样,我们就完成了Llama 3的快速微调,最后还我使用LLM AutoEval进行了一些评估。

可以看到,虽然我们只是用了1000条数据,并且只运行了一个epoch,但是在每个基准测试中都提高了基本模型的性能。如果对整个40k个样本进行微调将应该能产生很好的结果。

总结

在本文中,我们介绍了ORPO算法然后使用TRL对自定义偏好数据集上的Llama 38b模型进行微调。最后的模型得到了不错的结果,这可以说明ORPO作为一种新的微调范式还是可以使用的。

本文代码:

https://colab.research.google.com/drive/1eHNWg9gnaXErdAa8_mcvjMupbSS6rDvi?usp=sharing

orpo作者微调Llama 3的log

https://huggingface.co/orpo-explorers/hf-llama3-8b-orpo-v0.0/tensorboard

作者:Maxime Labonne

“使用ORPO微调Llama 3”的评论:

还没有评论