Unsloth微调

最新推荐文章于 2025-11-04 10:24:06 发布

原创

最新推荐文章于 2025-11-04 10:24:06 发布 · 2.1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#学习

微信公众号

数据处理的工程化时间

数据清洗：去除噪声数据（比如乱码/重复文本），对不平衡数据进行重采样
高效预处理：使用 HuggingFace Datasets 库实现流水线处理
内存优化：对于超大规模数据集，我这里建议使用内存映射文件（MMAP）技术

LoRA各种策略

减少显存占用

bitsandbytes库简介

通过将权重从 FP32 或 FP16 量化为更低比特的表示（如 4-bit、8-bit），大大减小模型的显存占用，从而让你能够在同样的硬件环境下加载更大的模型，或者用相同规模的模型获得更高批量大小（batch size）。

# 这里推荐使用 bitsandbytes 量化库降低显存占用
from transformers import BitsAndBytesConfig

quant_config = BitsAndBytesConfig(
    load_in_4bit=True, # 将模型权重量化为4-bit
    bnb_4bit_use_double_quant=True # 在量化时进行双重量化过程，可以进一步减少内存暂用、降低量化误差
)

model = AutoModel.from_pretrained("Llama-2-7b", quantization_config=quant_config)

BitsAndBytesConfig 是一个在 Hugging Face transformers 中用来配置 bitsandbytes 量化参数的类。你可以在创建模型时，将这个配置以 quantization_config 参数的形式传给 from_pretrained() 方法。

训练过程的精细化控制

学习率的三阶段策略

预热阶段（前 10% steps）：线性增长至 2e-5
- 学习率从一个较低的初始值（通常可以是 0，也可以是非常小的值）线性上升到目标最大学习率（例：2e-5）。
- 在训练的前期，让学习率从0（或一个小值）线性增长到设定的最大值（2e-5），可以避免训练初期学习率过大而导致梯度爆炸，同时也能让模型在一开始快速适应任务。
  - 常见做法：Warmup Steps 占总训练步数的 5% ~ 10%。
  - 参数：num_warmup_steps 表示预热步数。
稳定阶段：余弦退火调节（中间 85% 的训练步数）
- 学习率围绕最大值做余弦退火，从而逐渐衰减。
- 在剩余的训练步数中，学习率会按照余弦曲线从最大学习率逐渐衰减到一个较低的值。余弦退火相较线性衰减，有时可以带来更平滑的效果，减轻在训练后期振荡过大的问题。
  - 对于 get_cosine_schedule_with_warmup，当超过 num_warmup_steps 后，学习率会根据余弦函数从当前最大值逐渐衰减至 0（或者一个 eta_min，依不同实现而定）。
微调阶段（最后 5% steps）：降至 1e-6
- 在训练接近尾声时，将学习率下降到更小的值（例：1e-6），可以用线性或者继续让余弦退火到一个更低的值，帮助模型在后期收敛得更平滑或做小步调整。

optimizer = AdamW(model.parameters(), lr=2e-5, weight_decay=0.01)
scheduler = get_cosine_schedule_with_warmup(
    optimizer, 
    num_warmup_steps=100, # 预热步数
    num_training_steps=1000 # 整个训练过程的步数
)

AdamW 是 Adam 优化器的一个变体，融合了 L2 正则/权重衰减（Weight Decay）在更新中的合理处理方式。

显存优化的三大技巧

下面我们就来详细探讨一下深度学习训练过程中常用的 显存优化 手段。这些方法在大模型微调（Fine-tuning）、分布式训练或硬件资源有限的情况下尤其常见。你提到的三大技巧包括：

1. 梯度累积（Gradient Accumulation）

1.1 原理

在默认的训练循环中，每处理一个批次（batch）后会立即计算梯度并进行一次参数更新。如果你的 GPU 显存有限，无法一次性放下较大的 batch，那么就可以通过“多次前向 + 反向”累积梯度，再进行一次参数更新，从而“模拟”较大批次。

简而言之：

正常训练：1批次 → 1次反向传播 → 1次优化器更新。
梯度累积：N个批次 → 累计梯度N次 → 1次优化器更新。

1.2 具体做法

使用 Hugging Face TrainingArguments 时，可以设置 gradient_accumulation_steps。比如：

training_args = TrainingArguments(
    ...,
    gradient_accumulation_steps=4
)

这表示在内部会将每 4 个 batch 的梯度相加后再执行一次 optimizer.step()。这样做的好处是：

在同等显存下，相当于使用了“4 倍批次大小”的效果；
对一些需要较大 batch size 才能收敛更好的任务（如语言模型预训练、特定 NLP 任务等），这是一个关键技巧。

1.3 注意事项

有效学习率：当你使用梯度累积时，相当于增大了批次大小，需要注意保持或调整学习率。例如，如果你原先 batch size=16，现在用 gradient_accumulation_steps=4 并把单次 batch size 改成4，总有效 batch size 就依然是16。这样你的学习率设置就不用大幅修改。
训练时间：梯度累积并不会减少计算量，对每个batch依然要做前向和反向，但它能帮助你在有限显存下进行较大的 batch 训练。
分布式训练配合：如果同时使用分布式训练（DDP），批次大小会再乘以 worker 数，需综合计算。

2. 混合精度训练（Mixed Precision）

2.1 原理

混合精度训练指的是使用更低的数值表示（如 FP16 / BF16）来存储和计算模型的部分权重、激活或梯度，从而减小显存占用并加速运算。

FP16 (float16)：半精度浮点，可在大多数现代 GPU（如 V100、A100、T4 等）上运行。
BF16 (bfloat16)：Google 提出的 16-bit 格式，数值范围比 FP16 更大，减少梯度溢出的风险，在 NVIDIA A100 等支持 bfloat16 的硬件上效果更佳。

2.2 在 Hugging Face 中的使用

在 TrainingArguments 中可以直接启用混合精度。

FP16：

training_args = TrainingArguments(
    ...,
    fp16=True
)

BF16（如果硬件支持，如 A100）：

training_args = TrainingArguments(
    ...,
    bf16=True
)

注意：同一时间你只能启用一种精度模式，比如只能启用 fp16=True 或 bf16=True 之一。

2.3 优势与注意点

显存占用降低：以 FP16 为例，理论上可以减少约一半的激活/梯度显存。
速度提升：现代 GPU 对半精度计算有 Tensor Cores 等硬件加速，推理和训练都能加速。
数值稳定性：
- FP16 的动态范围较小，可能导致梯度爆炸/下溢等问题，通常需要配合梯度缩放（Gradient Scaling）来保持稳定。Hugging Face 的 Trainer 和 PyTorch AMP 会自动处理。
- BF16 对数值范围更友好，一般更稳定一些。如果硬件支持，BF16 通常优于 FP16。

3. 激活检查点（Activation Checkpointing）

3.1 原理

在前向传播时，模型会生成中间激活值，这些激活在反向传播时需要用来计算梯度。激活检查点技术的核心思想是：在前向传播中，不保存所有中间激活（以节省显存），而是在反向传播时重新计算一部分激活（以增加一些计算量）。

内存与计算间的权衡：牺牲额外的计算时间来换取显存的节省。

3.2 在 Hugging Face 中的使用

以 transformers 为例，如果模型支持激活检查点，一般可以用:

model.gradient_checkpointing_enable()

其中 model 通常是 AutoModel 或者类似基于 transformers 的自定义模型。在开启后，对支持该功能的某些层（如 GPT-2、BERT 等 Transformer 层），会把它们的前向计算拆分成多个段，并在反向时重新前向计算来获取激活。

3.3 注意事项

训练速度：激活检查点会增加额外的前向计算，训练速度会变慢，一般可达 20% ~ 30% 的速度损失。
层数越多，效果越明显：对于深层模型，激活数量大，通过 checkpointing 可以显著减少内存占用；浅层模型则收益有限。
兼容性：大多数 Transformer 模型默认都支持该特性，但需要确认你所使用的模型类型中是否实现了 gradient checkpointing。

4. 综合对比与搭配使用

梯度累积
- 主要目标：模拟更大 batch size，提升收敛表现或满足大 batch 需求；
- 内存/显存节省：可以在一个较小的 batch 大小下实现等效大 batch 的效果，不会额外节省激活占用（因为每次 forward 依然用同样的计算图），但你无需在一次forward就放下一整个大batch；
- 影响训练速度：没有直接加速或减速，只是分多次迭代同一个真实 batch，总体计算量不变；但确实提升了内存使用效率。
混合精度
- 主要目标：减少模型参数、激活和梯度的存储占用，并利用硬件加速让训练更快；
- 常用：建议总是尝试使用混合精度（尤其是有 Tensor Core 的新 GPU），通常可以显著减小内存/显存，提升速度。
激活检查点
- 主要目标：在前向时不保存全部激活，在反向时重算，显著减少激活占用；
- 适用场景：当模型极深且显存不足，而训练又必须使用较大 batch size 或较长序列长度时；
- 带来的折中：多次前向计算导致训练速度变慢。

4.1 同时使用

这三种技术可以协同使用（也是大模型训练中常见的组合）：

梯度累积 + 混合精度：非常常见，对显存并不充足的环境很有效；
混合精度 + 激活检查点：在超大模型微调时也很常见；
梯度累积 + 激活检查点：在很极端的显存情况下，需要高效大 batch + 深层模型时必然要用到。

4.2 实践中的建议

先试混合精度：省内存、提速度，几乎没有特别的坏处；
再用梯度累积：如果还需要更大 batch size 或显存仍不足；
最后考虑激活检查点：只在训练速度可以接受的情况下开启，以释放更多显存做更深/更大序列的训练。

数据格式

指令式微调（Instruction Tuning）

代码

数据格式化

def process_func(example):
    MAX_LENGTH = 384    # Llama分词器会将一个中文字切分为多个token，因此需要放开一些最大长度，保证数据的完整性
    # 输入id序列、注意力掩码和标签（训练时用来计算损失）
    input_ids, attention_mask, labels = [], [], []
    # 构造'指令'部分(prompt)的token编码
    instruction = tokenizer(f"<|im_start|>system\n现在你要扮演皇帝身边的女人--甄嬛<|im_end|>\n<|im_start|>user\n{example['instruction'] + example['input']}<|im_end|>\n<|im_start|>assistant\n", add_special_tokens=False)  # add_special_tokens 不在开头加 special_tokens，因为这些特殊token已经在字符串中手动指定了
    # 对期望回答进行编码，同样不添加特殊token
    response = tokenizer(f"{example['out