大模型训练折戟之路

看了很多大模型平台，基本上这些平台都开源了模型建立过程，训练和微调数据等整个过程和脚本在github上描述的也比较详细，很多AI人员也分享了很多模型训练过程。经过多次比较选择，感觉还是LLaMA还是比较好，称为羊驼，国内在这个模型基础上，增强了中文能力，考虑到租用GPU成本问题，采用7B模型。

在租用资源之前，首先在笔记本电脑上部署LLaMA.CPP，使用大模型部署成功，因为资源不足，又没有GPU，所以笔记本上只是证明大模型本地化部署是没有问题的。其次是在笔记本电脑上安装虚拟机，根据中文羊驼数据训练和微调过程，练习一遍，整个过程也是基本上能够走的通，但是在训练数据（执行run_pt.sh）这一步时，会报错，缺少GPU不行。所以第三步是租用GPU服务器，月租、小时租都有，看了我一直使用的vultr作为代理服务器的租用价格，没有小时租，只有月租，32G内存，1/16共享GPU的一个月要大概200美金，但是这些资源肯定不够，真正训练时，是无法使用7B模型的，7B模型要至少39G显存，45G的CPU，看了阿里云、京东、腾讯和RAKSmart，最后选择当前阿里16G内存、62G显存的GPU服务器，只是前面100小时每个小时1.6元左右。这个网址描述最清楚，https://github.com/ymcui/Chinese-LLaMA-Alpaca，按照这个流程操作。

首先安装Python、pip和torch，注意torch和Python之间也对应的版本，一定按照兼容的版本进行安装，否则后面会遇到很多麻烦。接着安装 PyTorch、sentencepiece、protobuf，这些都是开源软件，这些软件不同版本之间会有冲突，也是要注意安装时要指定版本号，如果安装最新版本也会出现问题。源码安装 transformers、peft。可以使用pip show torch查看torch版本，使用nvcc –version查看CUDA版本，LLaMA 模型不提供商用，我从网络网络上找到一个对应的版本，放在./models/original_llama?目录，上面参考的文档中consolidated.00.pth的MD5值是6efc8dab194ab59e49cd24be5574d85e，但是我从不同渠道下载两个版本，其MD5值都是0c4837f3ef97f648452f91faed308a07，找不到与上面完全相同的版本，我只能试试是否可以训练。后面证明也是可以的，不会报错。使用?transformers?提供的脚本?convert_llama_weights_to_hf.py，将原版 LLaMA 模型转换为 HuggingFace 格式，这些脚本在中文LLaMA2的官方网站上都能下载到。转换完成后，其文档结构如下：

词表扩充这一步是没有问题的，将原版 LLaMA 的词表与该项目的所提供的专门针对中文扩充的 20000 个 tokens 做合并，合并代码见：merge_tokenizers.py。执行合并后，可以看到下面页面：

生成两个文件夹merged_tokenizer_hf? merged_tokenizer_sp?

在做4.4第1步进行模型合并时，报错：

Base model: ./models/original_llama_hf_7b
LoRA model(s) ['./models/chinese_llama_plus_lora_7b']:
Loading ./models/chinese_llama_plus_lora_7b
Traceback (most recent call last):
File "/root/transformers/scripts/merge_llama_with_chinese_lora_low_mem.py", line 245, in <module>
lora_config = peft.LoraConfig.from_pretrained(lora_model_path)
File "/usr/local/lib/python3.9/site-packages/peft/config.py", line 137, in from_pretrained
config = config_cls(**kwargs)
TypeError: __init__() got an unexpected keyword argument 'enable_lora'

解决办法是adapter_config.json权重文件中enable_lora中，删除这一行

? "enable_lora": null,

执行再报错，这里又报错，再次删除下面这个参数。

? "merge_weights": false,

删除掉上面两个参数后， 模型合并成功。

合并模型后的目录结构。

run_pt.sh中，训练数据存放路径，这个文件中data_cache是存放暂存训练数据时中间结果的目录，发现其它文件中应该是data_cache_dir，所以要进行修改。data_cache_dir=./data_cache

在文件的516行会报错，因为传入的cache_path有问题。关于处理数据可以参考上面连接中借助AI帮助产生Python脚本去处理。

中间也出现过Base64转码的问题，这些在网络上找，总是还会找到解决方案的。所有上述问题都解决后，最后遇到下面问题：

百度了很长时间，也没有找到解决办法。这时候我在阿里租用的服务器，由于忘记节省停机，很快达到了100个小时，每个小时15元左右的计费，着实有点心痛啊，一天下来300多元。加上阿里的服务器也不是太稳定，使用SSH链接最方便操作，上传文件等处理，但是非常不稳定，也只能开一个SSH窗口。

虽然自己训练数据没有最终成功，但是整个流程走了一遍，中间遇到了很多问题，逐一去百度，查找解决办法。有点不太甘心，可能感觉还是国外服务器性价比高一些，国内服务器租赁平台一堆套路，各种计费看也不看不明白，感觉干点啥都要计费。

（结束）