使用聊天数据微调 Llama3¶

Llama3 Instruct 引入了一种新的提示模板，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内容，以便快速开始准备您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 的不同之处
关于提示模板和特殊标记的所有知识
如何使用您自己的聊天数据集微调 Llama3 Instruct

先决条件

熟悉配置数据集
了解如何下载 Llama3 Instruct 权重

从 Llama2 到 Llama3 的模板更改¶

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进行预训练的，因此如果您想在模型上运行推理，则需要使用相同的模板以获得聊天数据的最佳性能。否则，模型将仅执行标准文本补全，这可能与您的预期用例不符。

从官方 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。Llama3 Instruct 格式的相同文本将如下所示

<|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。让我们逐步完成使用 Llama2 模板和 Llama3 模板标记化示例的过程，以了解其原理。

注意

Llama3 Base 模型使用的提示模板不同于 Llama3 Instruct，因为它尚未进行指令调整，并且额外的特殊标记未经训练。如果您在未进行微调的情况下在 Llama3 Base 模型上运行推理，我们建议使用基本模板以获得最佳性能。一般来说，对于指令和聊天数据，我们建议使用带有其提示模板的 Llama3 Instruct。本教程的其余部分假定您正在使用 Llama3 Instruct。

标记化提示模板和特殊标记¶

假设我有一个包含系统提示的单个用户-助手轮次的示例

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，让我们使用 Llama2ChatTemplate 类格式化此示例，并查看它是如何被标记化的。Llama2ChatTemplate 类是提示模板的一个示例，提示模板只是使用风格文本来构建提示，以指示特定任务。

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 也使用特殊标记，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，以了解原因。

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]

我们在编码示例文本时添加了 BOS 和 EOS 标记。这显示为 ID 1 和 2。我们可以验证这些是我们的 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 标记是我们称之为特殊标记的标记，因为它们有自己的保留标记 ID。这意味着它们将在模型学习的嵌入表中索引到它们自己的单独向量。提示模板标记的其余部分，[INST] 和 <<SYS>> 被标记化为普通文本，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>>'

重要的是要注意，您不应手动将特殊保留标记放置在输入提示中，因为它将被视为普通文本，而不是特殊标记。

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

现在让我们看一下 Llama3 的格式，看看它与 Llama2 的标记化方式有何不同。

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

我们使用了 Llama3 的 tokenize_messages API，它与编码不同。它只是在编码单个消息后管理在正确的位置添加所有特殊标记。

我们可以看到分词器处理了所有格式，而无需我们指定提示模板。事实证明，所有额外的标签都是特殊标记，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

最好的部分是 - 所有这些特殊标记都完全由分词器处理。这意味着您不必担心搞砸任何必需的提示模板！

我应该何时使用提示模板？¶

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，并且该模型是使用提示模板进行预训练的，或者您想引导微调模型在推理时期望特定的提示结构以执行特定任务，则应使用提示模板。

并非必须使用提示模板进行微调，但通常特定任务需要特定模板。例如，SummarizeTemplate 提供了一个轻量级结构，用于引导您的微调模型处理要求总结文本的提示。这将包裹用户消息，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 进行预训练的，您也可以使用此模板微调 Llama2，只要这是模型在推理期间看到的内容即可。模型应该足够健壮，能够适应新的模板。

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 instruct 模型来测试我们的理解。我们将逐步介绍如何设置我们的数据，以便可以正确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，以 JSON 文件形式保存，其中包含与 AI 模型的对话。我们如何将类似这样的数据转换为 Llama3 理解并正确标记化的格式？

# 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."
            }
        ]
    },
]

让我们首先看一下通用数据集构建器，看看哪个适合我们的用例。由于我们有对话数据，chat_dataset() 似乎是一个不错的选择。对于任何自定义本地数据集，我们始终需要为 torchtune 中的任何数据集构建器指定 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，因此我们可以在此处指定它。总而言之，我们的 chat_dataset() 调用应如下所示

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 load_dataset 的任何关键字参数传递到我们所有的 Dataset 类中，它们都会遵守这些参数。这对于常见参数很有用，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，只需将其传递到分词器中即可。由于我们正在微调 Llama3，因此分词器将为我们处理所有格式，并且提示模板是可选的。其他模型（例如 Mistral 的 MistralTokenizer）默认使用聊天模板 (MistralChatTemplate) 来根据他们的建议格式化所有消息。

现在我们准备开始微调了！我们将使用内置的 LoRA 单设备配方。使用 tune cp 命令获取 8B_lora_single_device.yaml 配置的副本，并使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