目录
  • 文档 >
  • 使用聊天数据微调 Llama3
快捷方式

使用聊天数据微调 Llama3

Llama3 Instruct 引入了新的提示模板，用于使用聊天数据进行微调。在本教程中，我们将介绍您需要了解的所有内容，以便快速开始准备自己的自定义聊天数据集，用于微调 Llama3 Instruct。

您将学习

  • Llama3 Instruct 格式与 Llama2 的区别

  • 关于提示模板和特殊标记的一切

  • 如何使用您自己的聊天数据集微调 Llama3 Instruct

先决条件

模板从 Llama2 到 Llama3 的变化

Llama2 聊天模型在提示预训练模型时需要特定的模板。由于聊天模型是使用此提示模板预训练的，因此如果您想在该模型上运行推理，需要使用相同的模板以在聊天数据上获得最佳性能。否则，模型将只执行标准的文本补全，这可能与您的预期用例一致，也可能不一致。

从 Llama2 聊天模型的官方 Llama2 提示模板指南中，我们可以看到添加了特殊标签

<s>[INST] <<SYS>>
You are a helpful, respectful, and honest assistant.
<</SYS>>

Hi! I am a human. [/INST] Hello there! Nice to meet you! I'm Meta AI, your friendly AI assistant </s>

Llama3 Instruct 彻底修改了 Llama2 的模板，以更好地支持多轮对话。相同的文本在 Llama3 Instruct 格式中看起来像这样

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful, respectful, and honest assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>

Hi! I am a human.<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Hello there! Nice to meet you! I'm Meta AI, your friendly AI assistant<|eot_id|>

标签完全不同，并且它们的编码方式也与 Llama2 不同。让我们通过一个使用 Llama2 模板和 Llama3 模板进行标记化的示例来了解它们是如何不同的。

注意

Llama3 Base 模型使用与 Llama3 Instruct 不同的提示模板，因为它尚未经过指令微调，并且额外的特殊标记尚未训练。如果您在未经微调的 Llama3 Base 模型上运行推理，我们建议使用基础模板以获得最佳性能。通常，对于指令和聊天数据，我们建议使用 Llama3 Instruct 及其提示模板。本教程的其余部分假设您正在使用 Llama3 Instruct。

提示模板与特殊标记的标记化

假设我有一个包含系统提示和单个用户-助手回合的示例

sample = [
    {
        "role": "system",
        "content": "You are a helpful, respectful, and honest assistant.",
    },
    {
        "role": "user",
        "content": "Who are the most influential hip-hop artists of all time?",
    },
    {
        "role": "assistant",
        "content": "Here is a list of some of the most influential hip-hop "
        "artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.",
    },
]

现在，我们使用 Llama2ChatTemplate 类对其进行格式化，看看它是如何被标记化的。Llama2ChatTemplate 是一个 提示模板 的示例，它只是用额外的文本来构建提示，以指示某个特定任务。

from torchtune.data import Llama2ChatTemplate, Message

messages = [Message.from_dict(msg) for msg in sample]
formatted_messages = Llama2ChatTemplate.format(messages)
print(formatted_messages)
# [
#     Message(
#         role='user',
#         content='[INST] <<SYS>>\nYou are a helpful, respectful, and honest assistant.\n<</SYS>>\n\nWho are the most influential hip-hop artists of all time? [/INST] ',
#         ...,
#     ),
#     Message(
#         role='assistant',
#         content='Here is a list of some of the most influential hip-hop artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.',
#         ...,
#     ),
# ]

Llama2 还使用了特殊标记，这些标记不在提示模板中。如果您查看我们的 Llama2ChatTemplate 类，您会注意到我们没有包含 <s> 和 </s> 标记。这些是序列开始 (BOS) 和序列结束 (EOS) 标记，它们在分词器中的表示方式与提示模板的其余部分不同。让我们使用 Llama2 使用的 llama2_tokenizer() 对此示例进行标记化，看看为什么。

from torchtune.models.llama2 import llama2_tokenizer

tokenizer = llama2_tokenizer("/tmp/Llama-2-7b-hf/tokenizer.model")
user_message = formatted_messages[0].text_content
tokens = tokenizer.encode(user_message, add_bos=True, add_eos=True)
print(tokens)
# [1, 518, 25580, 29962, 3532, 14816, 29903, 6778, ..., 2]

在对示例文本进行编码时，我们添加了 BOS 和 EOS 标记。它们显示为 ID 1 和 2。我们可以验证这些标记确实是我们的 BOS 和 EOS 标记。

print(tokenizer._spm_model.spm_model.piece_to_id("<s>"))
# 1
print(tokenizer._spm_model.spm_model.piece_to_id("</s>"))
# 2

BOS 和 EOS 标记就是我们所说的特殊标记，因为它们有自己的保留标记 ID。这意味着它们在模型学习到的嵌入表中会索引到自己的独立向量。提示模板的其余标签，[INST] 和 <<SYS>>，则作为普通文本被标记化，而不是它们自己的 ID。

print(tokenizer.decode(518))
# '['
print(tokenizer.decode(25580))
# 'INST'
print(tokenizer.decode(29962))
# ']'
print(tokenizer.decode([3532, 14816, 29903, 6778]))
# '<<SYS>>'

值得注意的是，您不应手动将特殊保留标记放入您的输入提示中，因为它将被视为普通文本而非特殊标记。

print(tokenizer.encode("<s>", add_bos=False, add_eos=False))
# [529, 29879, 29958]

现在让我们看看 Llama3 的格式化方式，了解它与 Llama2 的标记化有何不同。

from torchtune.models.llama3 import llama3_tokenizer

tokenizer = llama3_tokenizer("/tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model")
messages = [Message.from_dict(msg) for msg in sample]
tokens, mask = tokenizer.tokenize_messages(messages)
print(tokenizer.decode(tokens))
# '<|start_header_id|>system<|end_header_id|>\n\nYou are a helpful, respectful,
# and honest assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>\n\nWho
# are the most influential hip-hop artists of all time?<|eot_id|><|start_header_id|>
# assistant<|end_header_id|>\n\nHere is a list of some of the most influential hip-hop
# artists of all time: 2Pac, Rakim, N.W.A., Run-D.M.C., and Nas.<|eot_id|>'

注意

我们为 Llama3 使用了 tokenize_messages API，它与 encode 不同。它只是在编码单个消息后，负责将所有特殊标记添加到正确的位置。

我们可以看到，分词器处理了所有的格式化，而无需我们指定提示模板。结果表明，所有附加标签都是特殊标记，我们不需要单独的提示模板。我们可以通过检查这些标签是否被编码为它们自己的标记 ID 来验证这一点。

print(tokenizer.special_tokens["<|begin_of_text|>"])
# 128000
print(tokenizer.special_tokens["<|eot_id|>"])
# 128009

最棒的是——所有这些特殊标记都由分词器纯粹处理。这意味着您无需担心弄乱任何必需的提示模板！

我何时应使用提示模板？

是否使用提示模板取决于您期望的推理行为。如果您在基础模型上运行推理且该模型经过提示模板预训练，或者您想让微调后的模型在推理时对特定任务期望特定的提示结构，则应使用提示模板。

使用提示模板进行微调并非绝对必要，但通常特定任务会需要特定的模板。例如，SummarizeTemplate 提供了一个轻量级结构，用于准备您的微调模型以响应要求总结文本的提示。这会包裹用户消息，而助手消息保持不变。

f"Summarize this dialogue:\n{dialogue}\n---\nSummary:\n"

即使模型最初是使用 Llama2ChatTemplate 预训练的，您也可以使用此模板对 Llama2 进行微调，只要这是模型在推理过程中看到的内容即可。模型应该足够健壮，能够适应新模板。

在自定义聊天数据集上进行微调

让我们通过尝试使用自定义聊天数据集微调 Llama3-8B 指令模型来测试我们的理解。我们将逐步介绍如何设置数据，使其能够正确地进行标记化并馈送到我们的模型中。

假设我们有一个本地数据集，保存为一个 JSON 文件，其中包含与 AI 模型的对话。我们如何将这样的数据转换为 Llama3 能够理解并正确标记化的格式呢？

# data/my_data.json
[
    {
        "dialogue": [
            {
                "from": "human",
                "value": "What is your name?"
            },
            {
                "from": "gpt",
                "value": "I am an AI assistant, I don't have a name."
            },
            {
                "from": "human",
                "value": "Pretend you have a name."
            },
            {
                "from": "gpt",
                "value": "My name is Mark Zuckerberg."
            }
        ]
    },
]

让我们首先查看通用数据集构建器，看看哪个适合我们的用例。由于我们有对话数据，chat_dataset() 似乎很合适。对于任何自定义本地数据集，我们始终需要在 torchtune 中的任何数据集构建器中指定 source、data_files 和 split。对于 chat_dataset()，我们还需要额外指定 conversation_column 和 conversation_style。我们的数据遵循 "sharegpt" 格式，所以我们可以在这里指定。总而言之，我们的 chat_dataset() 调用应该如下所示：

from torchtune.datasets import chat_dataset
from torchtune.models.llama3 import llama3_tokenizer

tokenizer = llama3_tokenizer("/tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model")
ds = chat_dataset(
    tokenizer=tokenizer,
    source="json",
    data_files="data/my_data.json",
    split="train",
    conversation_column="dialogue",
    conversation_style="sharegpt",
)

# In config
tokenizer:
  _component_: torchtune.models.llama3.llama3_tokenizer
  path: /tmp/Meta-Llama-3-8B-Instruct/original/tokenizer.model

dataset:
  _component_: torchtune.datasets.chat_dataset
  source: json
  data_files: data/my_data.json
  split: train
  conversation_column: dialogue
  conversation_style: sharegpt

注意

您可以将任何用于 load_dataset 的关键字参数传递给我们的所有 Dataset 类，它们都会遵循。这对于常用参数很有用，例如使用 split 指定数据分割或使用 name 指定配置

如果您需要添加提示模板，只需将其传递给分词器即可。由于我们正在微调 Llama3，分词器会为我们处理所有格式化，提示模板是可选的。其他模型，例如 Mistral 的 MistralTokenizer，默认使用聊天模板 (MistralChatTemplate) 根据其建议对所有消息进行格式化。

现在我们准备开始微调了！我们将使用内置的 LoRA 单设备攻略。使用 tune cp 命令获取 8B_lora_single_device.yaml 配置文件的副本，并用您的数据集配置更新它。

启动微调！

$ tune run lora_finetune_single_device --config custom_8B_lora_single_device.yaml epochs=15

文档

查阅 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获取解答

查看资源

为了分析流量并优化您的体验，本网站使用 Cookie。点击或导航即表示您同意我们使用 Cookie。作为本网站的当前维护者，适用 Facebook 的 Cookie 政策。了解更多，包括有关可用控制：Cookie 政策。