可以挣钱的网站,新加坡做网站的价格,一流的商城网站建设,劳务公司怎么注册大家好#xff0c;我是爱编程的喵喵。双985硕士毕业#xff0c;现担任全栈工程师一职#xff0c;热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。… 大家好我是爱编程的喵喵。双985硕士毕业现担任全栈工程师一职热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳不仅形成深入且独到的理解而且能够帮助新手快速入门。今天给大家带来的文章是LoRA微调的技巧和方法希望能对同学们有所帮助。 文章目录 1. 定义2. LoRA微调参数3. 书籍推荐3.1 《从零开始大模型开发与微调基于PyTorch与ChatGLM》3.2 内容介绍3.3 适合人群3.4 粉丝福利3.5 自主购买 1. 定义 对于大语言模型而言全量微调的代价是比较高的需要数百GB的显存来训练具有几B参数的模型。为了解决资源不足的问题大佬们提出了一种新的方法低秩适应Low-Rank Adaptation。与微调OPT-175B相比LoRA可以将可训练参数数量减少一万倍并且GPU显存降低3倍以上。详细内容可参考论文《LoRA: Low-Rank Adaptation of Large Language Models》和HuggingFace PEFT博客文章《Parameter-Efficient Fine-Tuning of Billion-Scale Models on Low-Resource Hardware》。 LoRA是一种常用的高效微调的训练方法(PEFT)旨在加快大型语言模型的训练过程同时减少显存的使用。通过引入更新矩阵对现有权重进行操作LoRA专注于训练新添加的权重。LoRA方法具有以下的几大优点
保留预训练权重LoRA保持先前训练权重的冻结状态最小化了灾难性遗忘的风险。这确保了模型在适应新数据时保留其现有知识。已训练权重的可移植性与原始模型相比LoRA中使用的秩分解矩阵参数明显较少。这个特点使得经过训练的LoRA权重可以轻松地转移到其他环境中使它们非常易于移植。与注意力层集成通常将LoRA矩阵合并到原始模型的注意力层中。此外自适应缩放参数允许控制模型对新培训数据调整程度。显存效率LoRA改进后具有更高效利用显存资源能力在不到本机微调所需计算量3倍情况下运行微调任务成为可能。 对于普通用户来说依然很难满足1/3的显存需求。幸运的是大佬们又发明了一种新的LoRA训练方法量化低秩适应QLoRA。它利用bitsandbytes库对语言模型进行即时和近无损量化并将其应用于LoRA训练过程中。这导致显存需求急剧下降可以在2个3090卡上微调70B的模型。相比之下要微调同等规模的模型通常需要超过16个A100-80GB GPU对应的成本将非常巨大。详细内容可参考论文QLoRA: Efficient Finetuning of Quantized LLMs。 2. LoRA微调参数 首先最关键的参数为低秩矩阵对应的秩(rank)。为了减少显存对权重矩阵应用了低秩分解。在LoRA论文中建议rank设置不小于8r 8。请记住较高的rank会导致更好的结果但需要更多的显存。数据集的数量和复杂度越高所需的rank就越高。 除此之外另外需要设置的参数即为LoRA微调对应的网络层。最基本的训练对象是查询向量例如q_proj和值向量例如v_proj投影矩阵。不同模型对应的网络层如下所示
ModelModel sizeDefault moduleBaichuan7B/13BW_packbaichuanBaichuan227B/13BW_packbaichuan2BLOOM560M/1.1B/1.7B/3B/7.1B/176Bquery_key_valueBLOOMZ560M/1.1B/1.7B/3B/7.1B/176Bquery_key_valueChatGLM36Bquery_key_valueFalcon7B/40B/180Bquery_key_valueInternLM7B/20Bq_proj,v_projLLaMA7B/13B/33B/65Bq_proj,v_projLLaMA-27B/13B/70Bq_proj,v_projMistral7Bq_proj,v_projMixtral8x7Bq_proj,v_projPhi1.5/21.3B/2.7BWqkv-QQwen1.8B/7B/14B/72Bc_attnXVERSE7B/13B/65Bq_proj,v_projYi6B/34Bq_proj,v_proj
3. 书籍推荐 大模型是深度学习自然语言处理皇冠上的一颗明珠也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术为读者揭示大模型开发技术。
3.1 《从零开始大模型开发与微调基于PyTorch与ChatGLM》 3.2 内容介绍 大模型是深度学习自然语言处理皇冠上的一颗明珠也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。 《从零开始大模型开发与微调基于PyTorch与ChatGLM》共18章内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。
from transformers import AutoTokenizer, AutoModel
tokenizer AutoTokenizer.from_pretrained(THUDM/chatglm3-6b, trust_remote_codeTrue)
model AutoModel.from_pretrained(THUDM/chatglm3-6b, trust_remote_codeTrue, devicecuda)
model model.eval()
response, history model.chat(tokenizer, 你好, history[])
print(response)3.3 适合人群 《从零开始大模型开发与微调基于PyTorch与ChatGLM》适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习也适合高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术等专业的师生作为教学参考书。
3.4 粉丝福利 本次送书两本活动时间截止到2023-12-27 9:00参与方式关注博主、并在此文章下面点赞、收藏并任意评论。一本送给所有粉丝抽奖另外一本送给购买专栏的同学们购买专栏并且没有送过书的同学们可私信联系先到先得仅限一本 3.5 自主购买 小伙伴也可以访问链接进行自主购买哦~ 直达京东购买链接《从零开始大模型开发与微调基于PyTorch与ChatGLM》
