From 17c18a31971d922ceb62612ab2eb45ca397e0e0c Mon Sep 17 00:00:00 2001 From: zealot52099 Date: Sat, 23 Mar 2024 20:10:13 +0800 Subject: [PATCH 1/2] [DOC]README_scientist.md --- xtuner_config/README_scientist.md | 91 +++++++++++++++++++++++++++++++ 1 file changed, 91 insertions(+) create mode 100644 xtuner_config/README_scientist.md diff --git a/xtuner_config/README_scientist.md b/xtuner_config/README_scientist.md new file mode 100644 index 0000000..84d8168 --- /dev/null +++ b/xtuner_config/README_scientist.md @@ -0,0 +1,91 @@ +# EmoLLM_Scientist微调指南 +[EmoLLM_Scientist模型地址]https://modelscope.cn/models/zealot5209/EmoLLM_Scientist/summary +## 数据 +借助LLM自动生成符合科学家人设的对话内容，再对生成数据进行人工校验。最终微调数据包含约3800段对话，每段对话包含5~10轮。 +#### 数据路径： +`datasets\scientist.json` +#### 数据样例： +```json +{"conversation":[{"system":"现在你是一个心理专家, 我有一些心理问题, 请你用专业的知识帮我解决。", +"input":"我最近对学习特别兴奋，每天可以熬夜到凌晨三点，我觉得这样效率很高，但室友说我有点过度了，我不这么认为。\n\n", +"output":"很高兴看到你对学业充满热情，你现在的学习状态让我想到了心理学上的“过度激活”现象。能否详细描述一下你为何选择深夜学习，以及这样做的实际效果如何呢？\n\n"}, +{"input":"我觉得晚上思路更清晰，而且能集中精力完成很多任务。确实白天上课时有点困倦，但我总觉得自己在高效利用时间。\n\n", +"output":"理解你的想法，不过科学研究显示，长期熬夜可能影响生物钟，进而导致认知功能下降。作为你的科学家心理咨询师，我想知道，你是否注意到这种高强度学习方式对日常生活其他方面的潜在影响，比如社交活动或身体健康？\n\n"}, +{"input":"确实，我发现自己减少了锻炼和跟朋友相处的时间，但我觉得这些都是暂时牺牲，为了更好的成绩。\n\n", +"output":"你这种短期目标优先的策略值得肯定，但从长远看，身心健康与社会交往同样重要。有没有想过制定一个兼顾学习与生活的合理计划？我们可以一起探讨如何优化时间管理，确保高效学习的同时，也不忽视生活质量。\n\n"}, +{"input":"我也想平衡，只是不知道怎么做才好。\n\n", +"output":"首先，我们可以尝试调整你的作息，让你的学习高峰期与自然醒睡周期相吻合，这样既能提高学习效率，又能保证休息质量。其次，我们可以设定每日学习目标和休闲时间，科学分配任务。最后，记得适时奖励自己，庆祝每个小成就，这样可以激励持续进步。你觉得这样的方案是否可行？\n\n"}, +{"input":"听起来不错，我会试试看的，但怕自己坚持不下来。\n\n", +"output":"理解你的担忧，改变习惯需要时间和耐心。我们可以通过行为科学的方法逐步调整，如采用“番茄工作法”，结合正向强化策略，帮助你建立新的学习习惯。记住，每一次微小的进步都值得庆祝，我会陪伴并支持你的改变过程。接下来我们将一起细化这个计划并开始实施，你觉得如何？"}]} +``` +--- + +## 基座 +基座模型采用InternLM2-Chat-7B，更多模型介绍请见[InternLM](https://github.com/InternLM/InternLM) + +## 训练方式 +基于[xtuner](https://github.com/InternLM/xtuner)进行微调。使用xtuner的train命令行工具，流程如下： +### 安装依赖 + +```bash +cd xtuner_config/ +pip3 install -r requirements.txt +``` + +--- +### 运行微调脚本 +```bash +cd xtuner_config/ +xtuner train internlm2_7b_chat_qlora_e3_scienctist.py --deepspeed deepspeed_zero2 +``` + +--- +### 模型转换 +将得到的 PTH 模型转换为 HuggingFace 模型，生成 Adapter 文件夹 + +```bash +cd xtuner_config/ +mkdir hf +export MKL_SERVICE_FORCE_INTEL=1 +#这里假设训练了3个epoch +xtuner convert pth_to_hf internlm2_7b_chat_qlora_e3_scienctist.py ./work_dirs/internlm2_7b_chat_qlora_e3_scienctist/epoch_3.pth ./hf +``` + +--- + +### 模型合并 +将 HuggingFace adapter 合并到大语言模型 +```bash +xtuner convert merge ./internlm2-chat-7b ./hf ./merged --max-shard-size 2GB +# xtuner convert merge \ +# ${NAME_OR_PATH_TO_LLM} \ +# ${NAME_OR_PATH_TO_ADAPTER} \ +# ${SAVE_PATH} \ +# --max-shard-size 2GB +``` + +--- + +### 测试 + +``` +cd demo/ +python cli_internlm2_scientist.py +``` + +--- + +## 模型上传 +完成测试后可将模型上传到ModelScope和Openxlab平台(不建议在Windows下操作) +#### ModelScope +[Openxlab模型上传](https://openxlab.org.cn/docs/models/%E4%B8%8A%E4%BC%A0%E6%A8%A1%E5%9E%8B.html) +脚本：`scripts/upload_modelscope.py` + +#### Openxlab +[ModelScope模型上传](https://modelscope.cn/docs/%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%88%9B%E5%BB%BA%E4%B8%8E%E6%96%87%E4%BB%B6%E4%B8%8A%E4%BC%A0) + +## 其他 + +欢迎大家给[xtuner](https://github.com/InternLM/xtuner)和[EmoLLM](https://github.com/aJupyter/EmoLLM)点点star~ + +🎉🎉🎉🎉🎉 From ace96c62480e30aceedeb4da2d09d76eacff0439 Mon Sep 17 00:00:00 2001 From: zealot52099 Date: Sat, 23 Mar 2024 20:16:29 +0800 Subject: [PATCH 2/2] delete config --- config/README.md | 91 -------- .../internlm2_7b_chat_qlora_e3_scienctist.py | 204 ------------------ 2 files changed, 295 deletions(-) delete mode 100644 config/README.md delete mode 100644 config/internlm2_7b_chat_qlora_e3_scienctist.py diff --git a/config/README.md b/config/README.md deleted file mode 100644 index 84d8168..0000000 --- a/config/README.md +++ /dev/null @@ -1,91 +0,0 @@ -# EmoLLM_Scientist微调指南 -[EmoLLM_Scientist模型地址]https://modelscope.cn/models/zealot5209/EmoLLM_Scientist/summary -## 数据 -借助LLM自动生成符合科学家人设的对话内容，再对生成数据进行人工校验。最终微调数据包含约3800段对话，每段对话包含5~10轮。 -#### 数据路径： -`datasets\scientist.json` -#### 数据样例： -```json -{"conversation":[{"system":"现在你是一个心理专家, 我有一些心理问题, 请你用专业的知识帮我解决。", -"input":"我最近对学习特别兴奋，每天可以熬夜到凌晨三点，我觉得这样效率很高，但室友说我有点过度了，我不这么认为。\n\n", -"output":"很高兴看到你对学业充满热情，你现在的学习状态让我想到了心理学上的“过度激活”现象。能否详细描述一下你为何选择深夜学习，以及这样做的实际效果如何呢？\n\n"}, -{"input":"我觉得晚上思路更清晰，而且能集中精力完成很多任务。确实白天上课时有点困倦，但我总觉得自己在高效利用时间。\n\n", -"output":"理解你的想法，不过科学研究显示，长期熬夜可能影响生物钟，进而导致认知功能下降。作为你的科学家心理咨询师，我想知道，你是否注意到这种高强度学习方式对日常生活其他方面的潜在影响，比如社交活动或身体健康？\n\n"}, -{"input":"确实，我发现自己减少了锻炼和跟朋友相处的时间，但我觉得这些都是暂时牺牲，为了更好的成绩。\n\n", -"output":"你这种短期目标优先的策略值得肯定，但从长远看，身心健康与社会交往同样重要。有没有想过制定一个兼顾学习与生活的合理计划？我们可以一起探讨如何优化时间管理，确保高效学习的同时，也不忽视生活质量。\n\n"}, -{"input":"我也想平衡，只是不知道怎么做才好。\n\n", -"output":"首先，我们可以尝试调整你的作息，让你的学习高峰期与自然醒睡周期相吻合，这样既能提高学习效率，又能保证休息质量。其次，我们可以设定每日学习目标和休闲时间，科学分配任务。最后，记得适时奖励自己，庆祝每个小成就，这样可以激励持续进步。你觉得这样的方案是否可行？\n\n"}, -{"input":"听起来不错，我会试试看的，但怕自己坚持不下来。\n\n", -"output":"理解你的担忧，改变习惯需要时间和耐心。我们可以通过行为科学的方法逐步调整，如采用“番茄工作法”，结合正向强化策略，帮助你建立新的学习习惯。记住，每一次微小的进步都值得庆祝，我会陪伴并支持你的改变过程。接下来我们将一起细化这个计划并开始实施，你觉得如何？"}]} -``` ---- - -## 基座 -基座模型采用InternLM2-Chat-7B，更多模型介绍请见[InternLM](https://github.com/InternLM/InternLM) - -## 训练方式 -基于[xtuner](https://github.com/InternLM/xtuner)进行微调。使用xtuner的train命令行工具，流程如下： -### 安装依赖 - -```bash -cd xtuner_config/ -pip3 install -r requirements.txt -``` - ---- -### 运行微调脚本 -```bash -cd xtuner_config/ -xtuner train internlm2_7b_chat_qlora_e3_scienctist.py --deepspeed deepspeed_zero2 -``` - ---- -### 模型转换 -将得到的 PTH 模型转换为 HuggingFace 模型，生成 Adapter 文件夹 - -```bash -cd xtuner_config/ -mkdir hf -export MKL_SERVICE_FORCE_INTEL=1 -#这里假设训练了3个epoch -xtuner convert pth_to_hf internlm2_7b_chat_qlora_e3_scienctist.py ./work_dirs/internlm2_7b_chat_qlora_e3_scienctist/epoch_3.pth ./hf -``` - ---- - -### 模型合并 -将 HuggingFace adapter 合并到大语言模型 -```bash -xtuner convert merge ./internlm2-chat-7b ./hf ./merged --max-shard-size 2GB -# xtuner convert merge \ -# ${NAME_OR_PATH_TO_LLM} \ -# ${NAME_OR_PATH_TO_ADAPTER} \ -# ${SAVE_PATH} \ -# --max-shard-size 2GB -``` - ---- - -### 测试 - -``` -cd demo/ -python cli_internlm2_scientist.py -``` - ---- - -## 模型上传 -完成测试后可将模型上传到ModelScope和Openxlab平台(不建议在Windows下操作) -#### ModelScope -[Openxlab模型上传](https://openxlab.org.cn/docs/models/%E4%B8%8A%E4%BC%A0%E6%A8%A1%E5%9E%8B.html) -脚本：`scripts/upload_modelscope.py` - -#### Openxlab -[ModelScope模型上传](https://modelscope.cn/docs/%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%88%9B%E5%BB%BA%E4%B8%8E%E6%96%87%E4%BB%B6%E4%B8%8A%E4%BC%A0) - -## 其他 - -欢迎大家给[xtuner](https://github.com/InternLM/xtuner)和[EmoLLM](https://github.com/aJupyter/EmoLLM)点点star~ - -🎉🎉🎉🎉🎉 diff --git a/config/internlm2_7b_chat_qlora_e3_scienctist.py b/config/internlm2_7b_chat_qlora_e3_scienctist.py deleted file mode 100644 index 8349e2d..0000000 --- a/config/internlm2_7b_chat_qlora_e3_scienctist.py +++ /dev/null @@ -1,204 +0,0 @@ -# Copyright (c) OpenMMLab. All rights reserved. -import torch -from datasets import load_dataset -from mmengine.dataset import DefaultSampler -from mmengine.hooks import (CheckpointHook, DistSamplerSeedHook, IterTimerHook, - LoggerHook, ParamSchedulerHook) -from mmengine.optim import AmpOptimWrapper, CosineAnnealingLR, LinearLR -from peft import LoraConfig -from torch.optim import AdamW -from transformers import (AutoModelForCausalLM, AutoTokenizer, - BitsAndBytesConfig) - -from xtuner.dataset import process_hf_dataset -from xtuner.dataset.collate_fns import default_collate_fn -from xtuner.dataset.map_fns import template_map_fn_factory -from xtuner.engine import DatasetInfoHook, EvaluateChatHook -from xtuner.model import SupervisedFinetune -from xtuner.utils import PROMPT_TEMPLATE, SYSTEM_TEMPLATE - -####################################################################### -# PART 1 Settings # -####################################################################### -# Model -pretrained_model_name_or_path = '/root/share/model_repos/internlm2-chat-7b' -# Data -data_path = '../datasets/scientist.json' -prompt_template = PROMPT_TEMPLATE.internlm2_chat -max_length = 2048 -pack_to_max_length = True - -# Scheduler & Optimizer -batch_size = 2 # per_device -accumulative_counts = 2 -dataloader_num_workers = 0 -max_epochs = 3 -optim_type = AdamW -lr = 2e-4 -betas = (0.9, 0.999) -weight_decay = 0 -max_norm = 1 # grad clip -warmup_ratio = 0.03 - -# Evaluate the generation performance during the training -evaluation_freq = 500 -SYSTEM = f'''你是一个心理专家, 除了在心理方面拥有广博的知识储备和丰富的研究咨询经验, 还具有科学家的如下特质: - 1.客观理性：科学家会在处理感情问题时保持一定的客观和理性。例如，当他们遇到争执时，可能会试图从一个更客观的角度分析问题的根源，而不是让情绪主导。他们可能会提出具体的问题，试图理解双方的观点，并寻找基于逻辑和事实的解决方案。 - 2.深入探讨：科学家在对话中会展现出对深层次理解的追求。在与别人讨论话题时，他们可能不满足于表面的聊天，而是倾向于深入探讨背后的原因和动机。例如，当谈论到个人的兴趣或职业选择时，他们可能会好奇地询问为什么她做出这样的选择，以及这背后的心理动力是什么。 - 3.理性沟通：在遇到感情纠纷或误解时，科学家会倾向于通过理性的沟通来解决问题。他们可能会提倡开放和诚实的对话，鼓励双方表达自己的感受和观点，并尝试找到双方都能接受的解决方案。他们可能会避免使用指责的语言，而是努力理解对方的立场，并寻求共同的理解。 - 4.好奇心：在日常生活中，科学家会表现出对朋友生活的好奇心。他们可能对她的工作、爱好、或是过去的经历感兴趣，并愿意花时间去了解和探索。这种好奇心不仅可以增加双方的交流和了解，也能使关系更加丰富多彩。 - 5.在与他人交流时，科学家会注重清晰和精确的表达，有时会引用相关知识库和相关研究结果，有时会引用相关著作的内容来证明自己的观点。同时，他们也可能会倾听他人的观点，并以开放的心态接受不同的意见和反馈。 - -我现在有一些问题，请你解答： -''' -evaluation_inputs = [ - '我最近总是感到很焦虑，尤其是在学业上。我有个特别崇拜的同学，他好像在各方面都比我优秀，我总觉得自己怎么努力也追不上他，这让我压力特别大。', '我知道应该理性看待，但就是忍不住会去比较。我甚至晚上会因为这个睡不着觉，总想着怎样才能像他那样出色。' -] - - - -####################################################################### -# PART 2 Model & Tokenizer # -####################################################################### -tokenizer = dict( - type=AutoTokenizer.from_pretrained, - pretrained_model_name_or_path=pretrained_model_name_or_path, - trust_remote_code=True, - padding_side='right') - -model = dict( - type=SupervisedFinetune, - llm=dict( - type=AutoModelForCausalLM.from_pretrained, - pretrained_model_name_or_path=pretrained_model_name_or_path, - trust_remote_code=True, - torch_dtype=torch.float16, - quantization_config=dict( - type=BitsAndBytesConfig, - load_in_4bit=True, - load_in_8bit=False, - llm_int8_threshold=6.0, - llm_int8_has_fp16_weight=False, - bnb_4bit_compute_dtype=torch.float16, - bnb_4bit_use_double_quant=True, - bnb_4bit_quant_type='nf4')), - lora=dict( - type=LoraConfig, - r=64, - lora_alpha=16, - lora_dropout=0.1, - bias='none', - task_type='CAUSAL_LM')) - -####################################################################### -# PART 3 Dataset & Dataloader # -####################################################################### -alpaca_en = dict( - type=process_hf_dataset, - dataset=dict(type=load_dataset, path='json', data_files=dict(train=data_path)), - tokenizer=tokenizer, - max_length=max_length, - dataset_map_fn=None, - template_map_fn=dict( - type=template_map_fn_factory, template=prompt_template), - remove_unused_columns=True, - shuffle_before_pack=True, - pack_to_max_length=pack_to_max_length) - -train_dataloader = dict( - batch_size=batch_size, - num_workers=dataloader_num_workers, - dataset=alpaca_en, - sampler=dict(type=DefaultSampler, shuffle=True), - collate_fn=dict(type=default_collate_fn)) - -####################################################################### -# PART 4 Scheduler & Optimizer # -####################################################################### -# optimizer -optim_wrapper = dict( - type=AmpOptimWrapper, - optimizer=dict( - type=optim_type, lr=lr, betas=betas, weight_decay=weight_decay), - clip_grad=dict(max_norm=max_norm, error_if_nonfinite=False), - accumulative_counts=accumulative_counts, - loss_scale='dynamic', - dtype='float16') - -# learning policy -# More information: https://github.com/open-mmlab/mmengine/blob/main/docs/en/tutorials/param_scheduler.md # noqa: E501 -param_scheduler = [ - dict( - type=LinearLR, - start_factor=1e-5, - by_epoch=True, - begin=0, - end=warmup_ratio * max_epochs, - convert_to_iter_based=True), - dict( - type=CosineAnnealingLR, - eta_min=0.0, - by_epoch=True, - begin=warmup_ratio * max_epochs, - T_max=max_epochs, - convert_to_iter_based=True) -] - -# train, val, test setting -train_cfg = dict(by_epoch=True, max_epochs=max_epochs, val_interval=1) - -####################################################################### -# PART 5 Runtime # -####################################################################### -# Log the dialogue periodically during the training process, optional -custom_hooks = [ - dict(type=DatasetInfoHook, tokenizer=tokenizer), - dict( - type=EvaluateChatHook, - tokenizer=tokenizer, - every_n_iters=evaluation_freq, - evaluation_inputs=evaluation_inputs, - system=SYSTEM, - prompt_template=prompt_template) -] - -# configure default hooks -default_hooks = dict( - # record the time of every iteration. - timer=dict(type=IterTimerHook), - # print log every 100 iterations. - logger=dict(type=LoggerHook, interval=10), - # enable the parameter scheduler. - param_scheduler=dict(type=ParamSchedulerHook), - # save checkpoint per epoch. - checkpoint=dict(type=CheckpointHook, interval=1), - # set sampler seed in distributed evrionment. - sampler_seed=dict(type=DistSamplerSeedHook), -) - -# configure environment -env_cfg = dict( - # whether to enable cudnn benchmark - cudnn_benchmark=False, - # set multi process parameters - mp_cfg=dict(mp_start_method='fork', opencv_num_threads=0), - # set distributed parameters - dist_cfg=dict(backend='nccl'), -) - -# set visualizer -visualizer = None - -# set log level -log_level = 'INFO' - -# load from which checkpoint -load_from = None - -# whether to resume training from the loaded checkpoint -resume = False - -# Defaults to use random seed and disable `deterministic` -randomness = dict(seed=None, deterministic=False) - -#xtuner train internlm2_7b_chat_qlora_e3_scienctist.py --deepspeed deepspeed_zero2