Llama Factory ：百种以上语言模型的统一高效微调框架

人工智能咨询培训老师叶梓转载标明出处

大模型适应到特定下游任务时，传统的全参数微调方法成本高昂，因此，研究者们一直在探索更高效的微调技术。由北京航空航天大学和北京大学的研究团队提出了一个名为Llama Factory的统一框架，旨在解决大模型高效微调的问题。该框架整合了一系列前沿的高效训练方法，使用户能够灵活地定制100多种大模型的微调过程，而无需编写代码。通过内置的Web用户界面Llama board，用户可以轻松地进行模型微调和监控训练状态。

表1中列出了不同的微调技术，如 Freeze-tuning、GaLore、LoRA、DoRA 等，并标注了它们之间的兼容性（用 "√" 和 "×" 表示）。总的来说Llama Factory的主要优点包括：

多样化的微调技术：集成了多种高效的微调方法，适应不同需求。
用户友好的界面：通过Llama Factory，用户无需编码即可操作。
广泛的模型和数据集支持：兼容100+预训练模型和50+数据集。
资源优化：采用混合精度等技术减少计算资源消耗。
实时监控与评估：提供训练状态实时可视化和模型性能评估。
开源：持续更新和改进。
多语言支持：适合不同语言背景的用户使用。

想要掌握如何将大模型的力量发挥到极致吗？叶老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。9月22日晚，实战专家1小时讲解让您轻松上手，学习如何使用 Llama Factory 微调模型。

加下方微信或评论留言，即可参加线上直播分享，叶老师亲自指导，互动沟通，全面掌握Llama Factory。关注享粉丝福利，限时免费CSDN听直播后的录播讲解。

LLaMA Factory 支持多种预训练模型和微调算法。它提供灵活的运算精度和优化算法选择，以及丰富的实验监控工具。开源特性和社区支持使其易于使用，适合各类用户快速提升模型性能。

方法

Llama Factory框架中使用的高效微调技术主要分为两大类：优化和计算。

高效优化

优化技术的目标是在微调大型语言模型（LLMs）的参数时，尽可能降低成本。Llama Factory中使用的一些关键技术包括：

Freeze-tuning：这种方法涉及冻结大部分参数，同时在一小部分解码层上进行微调。
GaLore：梯度低秩投影技术，将梯度投影到更低维度的空间，以内存高效的方式促进全参数学习。
LoRA：低秩适应方法，冻结所有预训练权重，并在指定层引入一对可训练的低秩矩阵。
QLoRA：结合量化的LoRA方法，进一步减少内存使用。
DoRA：权重分解低秩适应，将预训练权重分解为大小和方向组成部分，并更新方向部分以提高性能。
LoRA+：为了克服LoRA的次优性而提出的方法。
PiSSA：通过使用预训练权重的主成分初始化适配器，以实现更快的收敛。

高效计算

计算技术旨在减少LLMs所需的计算时间或空间。Llama Factory中集成的一些计算技术包括：

Mixed Precision Training：混合精度训练，使用不同精度的数据表示来减少内存占用。
Activation Checkpointing：激活检查点，通过保存中间激活值来减少内存消耗。
Flash Attention：一种硬件友好的方法，通过优化注意力层的输入输出开销来增强注意力计算。
S2 Attention：通过使用移位稀疏注意力来解决扩展上下文的挑战，从而减少长上下文LLMs微调中的内存使用。
Quantization：通过使用低精度表示来减少大型语言模型的内存需求。
Unsloth：结合Triton实现LoRA的反向传播，减少了梯度下降过程中的浮点运算（FLOPs），从而加速了LoRA训练。

图1为Llama Factory的整体架构，包括模型加载器（Model Loader）、数据工作者（Data Worker）和训练器（Trainer）三个主要模块，以及它们如何协同工作。Llama board提供了一个友好的视觉界面，使得用户可以无需编写代码即可配置和启动个别的LLM微调实例，并同步监控训练状态。每个模块的功能和特点如下：

Model Loader

Model Loader负责处理各种模型架构以进行微调，支持大型语言模型（LLMs）和视觉语言模型（VLMs）。它包含以下几个组成部分：

Model Initialization：使用Transformers的Auto Classes加载预训练模型并初始化参数。如果分词器的词汇表大小超过嵌入层的容量，则调整层大小并用带噪声的均值初始化新参数。
Model Patching：为了启用S2注意力，使用monkey patch替换模型的前向计算。对于flash attention，使用自Transformers 4.34.0以来广泛支持的原生类。
Model Quantization：通过bitsandbytes库将模型动态量化为8位或4位。支持包括GPTQ、AWQ和AQLM在内的后训练量化（PTQ）方法。
Adapter Attaching：自动确定要附加适配器的适当层。使用PEFT库方便地实现基于适配器的方法，如LoRA、rsLoRA、DoRA和PiSSA。
Precision Adaptation：根据计算设备的能力处理预训练模型的浮点精度。对于NVIDIA GPU，如果计算能力为8.0或更高，则采用bfloat16精度；否则，采用float16。

Data Worker

Data Worker开发了一个数据处理管道，包括数据加载、数据对齐、数据合并和数据预处理。它将不同任务的数据集标准化为统一格式，使我们能够在各种格式的数据集上微调模型。

Dataset Loading：使用Datasets库加载数据，支持从Hugging Face Hub加载远程数据集或通过脚本或文件读取本地数据集。
Dataset Aligning：设计数据描述规范来描述数据集的结构，将数据集转换为与各种任务兼容的标准结构。
Dataset Merging：为合并多个数据集提供高效的方法。对于非流式模式的数据集，在训练期间对数据集进行洗牌前简单地将它们连接起来。
Dataset Pre-processing：为微调文本生成模型设计，主要用在聊天完成中。提供数十种聊天模板，可以根据模型类型自动选择。

表2为Llama Factory支持的数据集结构，包括纯文本、Alpaca-like 数据、ShareGPT-like 数据和偏好数据等不同格式。

Trainer

Trainer应用高效的微调技术到不同的训练方法中，支持预训练、指令调整和偏好优化。

Efficient Training：集成了包括LoRA+、GaLore和BAdam在内的最新高效微调方法。这些微调方法是独立的，易于应用于各种任务。
Model-Sharing RLHF：提出模型共享RLHF，允许使用不超过一个预训练模型进行整个RLHF训练。
Distributed Training：可以与DeepSpeed结合进行分布式训练，利用数据并行性充分利用计算设备的能力。

Llama board

Llama board是一个基于Gradio的统一用户界面，允许用户自定义LLMs的微调而无需编写任何代码。它提供了简化的模型微调和推理服务，使用户能够轻松探索LLMs在他们的环境中的潜力。

Easy Configuration：允许用户通过与Web界面的交互来自定义微调参数。
Monitorable Training：在训练过程中，实时可视化并更新训练日志和损失曲线，使用户能够监控训练进度。
Flexible Evaluation：支持在数据集上计算文本相似度分数以自动评估模型，或通过与模型聊天进行人工评估。
Multilingual Support：提供本地化文件，支持新语言的集成，目前支持英语、俄语和中文。

通过这些模块的协同工作，Llama Factory为用户提供了一个强大且易于使用的工具，以高效地微调和部署大型语言模型。

评估

系统的评估主要从两个角度：训练效率和对下游任务的适应性。

为了评估训练效率，研究者使用了PubMed数据集，其中包含超过3600万篇生物医学文献记录。他们从中提取了约400K个token来构建训练语料库。随后，他们使用生成预训练目标和各种高效微调方法对Gemma-2B、Llama2-7B和Llama2-13B模型进行了微调。比较了全参数微调、冻结微调、GaLore、LoRA和4位QLoRA等不同微调方法的结果。微调后，他们计算了模型在训练语料库上的困惑度（perplexity），以评估不同方法的效率。实验中还纳入了预训练模型的困惑度作为基线。

实验设置：

学习率：
批次大小：512个token
优化器：8位AdamW，在bfloat16精度下使用激活检查点以减少内存占用
冻结微调：只微调模型的最后3个解码层
GaLore：设置秩和缩放到128和2.0
LoRA和QLoRA：在所有线性层上附加适配器，设置秩和alpha到128和256

结果显示在Table 4中，其中内存指训练期间消耗的峰值内存，吞吐量计算为每秒训练的token数，PPL代表模型在训练语料库上的困惑度。

由于全参数微调Llama2-13B导致内存溢出，因此结果未记录。

QLoRA由于预训练权重以较低精度表示，因此内存占用最低。

LoRA利用Unsloth优化的LoRA层，展现出更高的吞吐量。

GaLore在大型模型上实现了更低的PPL，而LoRA在小型模型上表现更好。

为了评估不同高效微调方法的有效性，研究者比较了各种模型在下游任务上微调后的性能。他们构建了三个代表性文本生成任务（CNN/DM、XSum和AdGen）的非重叠训练集和测试集，每个任务使用2000个示例和1000个示例。选择了几个指令微调模型，并使用不同的微调方法进行了微调。然后，他们比较了全参数微调（FT）、GaLore、LoRA和4位QLoRA的结果。微调后，他们计算了每个任务测试集上的ROUGE分数，并纳入了原始指令微调模型的分数作为基线。

实验设置：