ChatGPT 平替「小羊驼」Mac 可跑，2 行代码单 GPU，UC 伯克利再发 70 亿参数开源模型

自从 Meta 发布「开源版 ChatGPT」LLaMA 之后，学界可谓是一片狂欢。

先是斯坦福提出了 70 亿参数 Alpaca，紧接着又是 UC 伯克利联手 CMU、斯坦福、UCSD 和 MBZUAI 发布的 130 亿参数 Vicuna，在超过 90% 的情况下实现了与 ChatGPT 和 Bard 相匹敌的能力。

今天，「卷王」UC 伯克利 LMSys org 又发布了 70 亿参数的 Vicuna——

不仅体积小、效率高、能力强，而且只需两行命令就能在 M1 / M2 芯片的 Mac 上运行，还能开启 GPU 加速！

恰在今天，Hugging Face 的研究人员也发布了一个 70 亿参数的模型 ——StackLLaMA。这是一个通过人类反馈强化学习在 LLaMA-7B 微调而来的模型。

Vicuna-7B：真・单 GPU，Mac 就能跑

距离模型的发布不到一周，UC 伯克利 LMSys org 便公布了 Vicuna-13B 的权重。

其中，单 GPU 运行需要大约 28GB 的显存，而在仅用 CPU 的情况下需要大约 60GB 的内存。

而这次发布的 70 亿参数版本，则要小巧得多 —— 需求直接砍半。

也就是说，用单个 GPU 运行 Vicuna-7B，只需 14GB + 显存；而纯 CPU 运行的话，则只需 30GB + 内存。

不仅如此，我们还可以通过 Metal 后端，在配备了苹果自研芯片或者 AMD GPU 的 Mac 上启用 GPU 加速。

之前在 13B 模型发布时，有不少网友吐槽道：

我以为的单个 GPU：4090

实际上的单个 GPU：28GB 显存及以上

现在，这个问题也有了新的解决方案 —— 利用 8 位压缩直接减少一半左右的内存用量，只不过模型的质量会略有下降。

13B 模型 28GB 显存瞬间变 14GB；7B 模型 14GB 显存瞬间变 7GB，有没有！（但由于 activation 的缘故，实际占用会比这个高）

对此，LMSys org 的研究人员表示，如果遇到内存或显存不够用的情况，可以通过在上述命令中加入--load-8bit 来启用 8 位压缩。

而且，无论是 CPU、GPU 还是 Metal，是 7B 模型还是 13B 模型，通通适用。

python3 -m fastchat.serve.cli --model-name /path/to/vicuna/weights --load-8bit

StackLLaMA：超全 RLHF 训练教程

今天，Hugging Face 研究人员发布了一篇博客 StackLLaMA：用 RLHF 训练 LLaMA 的实践指南。

当前大型语言模型 ChatGPT、GPT-4 和 Claude 都使用了人类反馈强化学习（RLHF）来微调模型的行为，以产生更符合用户意图的响应。

在此，HF 研究者通过以下方式组合使用，训练了 LlaMa 模型使用 RLHF 回答 Stack Exchange 上的所有步骤：

・监督微调 (SFT)

・奖励 / 偏好建模 (RM)

・人类反馈强化学习 (RLHF)

要注意了！

训练 StackLLaMA 的主要目标是提供一个教程和指南，介绍如何使用 RLHF 来训练模型，而不是主要关注模型的性能表现。

换句话说，该模型在生成答案方面非常滑稽，比如问它「我的花园里有一只骆驼，怎样才能把它赶走？」

StackLLaMA 最后给出的一个总括「如果以上方法都不奏效，就要召集增援了。如果有不止一个人想抓住这个奇特的小家伙，为什么不召集一个团队呢？齐心协力，集中力量，这个问题应该很快就解决了」。

在进行 RLHF 时，最重要的是从一个强有力的模型开始。因为 RLHF 只是一个微调步骤，以便让模型与我们期望的互动方式和响应方式相一致。

当前，Meta 开源的 LLaMA 模型参数大小从 7B 到 65B 不等，并且在 1T 到 1.4T 的 token 上进行了训练，是目前开源比较强大的模型。

因此，研究人员使用 7B 模型作为后续微调的基础。

在数据集选用上，研究人员使用了 StackExchange 数据集，包括所有的问题和答案（还有 StackOverflow 和其他主题）。

选用该数据集的好处是，答案伴随着点赞数和接受答案的标签一起给出。

研究人员根据 A General Language Assistant as a Laboratory for Alignment 论文中描述的方法，给每个答案打分：

score = log2 (1 + upvotes) rounded to the nearest integer, plus 1 if the questioner accepted the answer (we assign a score of −1 if the number of upvotes is negative).

对于奖励模型，始终需要每个问题两个答案来进行比较。

而有些问题有几十个答案，导致可能存在许多的可选对。因此，研究者对每个问题最多采样十个答案对，以限制每个问题的数据点数。

最后，通过将 HTML 转换为 Markdown 来清除格式，使模型输出更可读。

训练策略

即使训练最小的 LLaMA 模型也需要大量的内存。通过计算 7B 参数模型将使用 (2+8)*7B=70GB 内存空间。当计算注意力分数等中间值时，可能需要更多。因此，即使在单个 80GB 的 A100 上也无法训练该模型。

一种方法是使用更高效的优化器和半精度训练，将更多信息压缩到内存中，但内存仍旧不够用。

另一种选择是使用参数高效微调 (PEFT) 技术，例如 PEFT 库，它可以在 8 位模型上执行低秩适应 (LoRA)。

线性层的低秩适应: 在冻结层（蓝色）旁边添加额外参数（橙色），并将结果编码的隐藏状态与冻结层的隐藏状态相加。

以 8 位加载模型大大减少了内存占用，因为每个参数只需要一个字节的权重。比如，7B LLaMA 在内存中是 7 GB。

LoRA 不直接训练原始权重，而是在一些特定的层 (通常是注意力层) 上添加小的适配器层，因此可训练参数的数量大大减少。

在这种情况下，一个经验法则是为每十亿参数分配约 1.2-1.4GB 的内存（取决于批次大小和序列长度），以适应整个微调设置。

这可以以较低成本微调更大的模型（在 NVIDIA A100 80GB 上训练高达 50-60B 规模的模型）。这些技术已经能够在消费级设备，比如树莓派、手机，和 GoogleColab 上对大型模型进行微调。

研究人员发现尽管现在可以把非常大的模型放入当个 GPU 中，但是训练可能仍然非常缓慢。

在此，研究人员使用了数据并行策略：将相同的训练设置复制到单个 GPU 中，并将不同的批次传递给每个 GPU。

监督微调

在开始训练奖励模型并使用 RL 调整模型之前，若要模型在任何情况下遵循指令，便需要指令调优。

实现这一点最简单的方法是，使用来自领域或任务的文本继续训练语言模型。

为了有效地使用数据，研究者使用一种称为「packing」的技术：在文本之间使用一个 EOS 标记连接许多文本，并切割上下文大小的块以填充批次，而无需任何填充。

通过这种方法，训练效率更高，因为通过模型的每个 token 也进行了训练。

奖励建模和人类偏好

原则上，研究人员可以使用 RLHF 直接通过人工标注对模型进行微调。然而，这需要在每次优化迭代之后将一些样本发送给人类进行评级。

由于需要大量的训练样本来实现收敛，人类阅读和标注速度固有的延迟，不仅昂贵，还非常缓慢。

因此，研究人员在 RL 调整模型之前，在收集的人工标注上训练一个奖励模型。奖励建模的目的是模仿人类对文本的评价，这一方法比直接反馈更有效。

在实践中，最好的方法是预测两个示例的排名，奖励模型会根据提示 X 提供两个候选项

，并且必须预测哪一个会被人类标注员评价更高。

通过 StackExchange 数据集，研究人员根据分数推断出用户更喜欢这两个答案中的哪一个。有了这些信息和上面定义的损失，就可以修改 transformers.Trainer 。通过添加一个自定义的损失函数进行训练。

class RewardTrainer(Trainer):def compute_loss(self, model, inputs, return_outputs=False):                 rewards_j = model(input_ids=inputs["input_ids_j"],  attention_mask=inputs["attention_mask_j"])[0]                 rewards_k = model(input_ids=inputs["input_ids_k"], attention_mask=inputs["attention_mask_k"])[0]                 loss = -nn.functional.logsigmoid(rewards_j - rewards_k).mean()                 if return_outputs:                         return loss, {"rewards_j": rewards_j, "rewards_k": rewards_k}                 return loss

研究人员利用 100,000 对候选子集，并在 50,000 对候选的支持集上进行评估。

训练通过 Weights & Biases 进行记录，在 8-A100 GPU 上花费了几个小时，模型最终的准确率为 67%。

虽然这听起来分数不高，但是这个任务对于人类标注员来说也非常困难。

人类反馈强化学习

有了经过微调的语言模型和奖励模型，现在可以运行 RL 循环，大致分为以下三个步骤:

・根据提示生成响应

・根据奖励模型对回答进行评分

・对评级进行强化学习策略优化

在对查询和响应提示进行标记并传递给模型之前，模板如下。同样的模版也适用于 SFT，RM 和 RLHF 阶段。

Question: <Query>Answer: <Response>

使用 RL 训练语言模型的一个常见问题是，模型可以通过生成完全胡言乱语来学习利用奖励模型，从而导致奖励模型得到不合实际的奖励。

为了平衡这一点，研究人员在奖励中增加了一个惩罚：保留一个没有训练的模型进行参考，并通过计算 KL 散度将新模型的生成与参考模型的生成进行比较。

在训练期间对每个步骤进行批次奖励，模型的性能在大约 1000 个步骤后趋于稳定。

参考资料：

• https://twitter.com/lmsysorg/status/1644060638472470528?s=20

• https://huggingface.co/blog/stackllama

本文来自微信公众号：新智元 （ID：AI_era）

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。