通过ORPO技术微调 llama3大模型(Fine-tune Llama 3 with ORPO)

通过ORPO对llama进行微调

前言

ORPO是一种新颖的微调技术，它将传统的监督微调和偏好对齐阶段整合到一个过程中。这减少了训练所需的计算资源和时间。此外，经验结果表明，ORPO在各种模型大小和基准测试中都超过了其他对齐方法。在本文中，我们将使用ORPO和TRL库来微调新的Llama 3 8B模型。

ORPO

指令调整和偏好对齐是将大型语言模型（LLMs）适应特定任务的关键技术。传统上，这涉及到一个多阶段的过程：

对指令进行监督式微调（SFT）以使模型适应目标领域像人类反馈的强化学习（RLHF）或直接优选优化（DPO）这样的偏好对齐方法，以增加生成优选响应而非被拒绝响应的可能性。

然而，研究人员发现这种方法的一个局限性。就是监督微调（SFT）可以有效地让模型适应特定领域，这也就是为什么需要偏好对齐阶段RLHF，扩大受欢迎输出和不受欢迎输出之间概率的差距。

SFT过程中，不受欢迎概率增加实证 from ORPO论文

2024年Hong和Lee提出的ORPO通过将SFT和RLHF统一为一个完整训练过程，为这个问题提供了一个优雅的解决方案。ORPO修改了标准language model的训练目标，将负对数似然损失与odds ratio(OR)项结合起来。这种OR损失对不受欢迎的输出施加了轻微的惩罚，同时加大奖励受欢迎的输出，允许模型同时学习目标任务并与人类偏好对齐。

ORPO已经在主要的微调库中得到实现，比如TRL、Axolotl和LLaMA-Factory。在下一节中，我们将看到如何使用TRL进行操作。

? 开始通过ORPO进行微调

Llama3是Meta开发的最新一代大型语言模型（LLM）。这些模型是在15万亿token的广泛数据集上训练的（相比之下，Llama2的训练数据集为2万亿token）。发布了两种模型尺寸：一个700亿参数的模型和一个更小的80亿参数的模型。700亿参数的模型已经展示了令人印象深刻的性能，在MMLU基准测试中得分为82，在HumanEval基准测试中得分为81.7。

Llama3模型还增加了上下文长度，最多可达8192个token（Llama2为4096个token），并且可能通过RoPE扩展到32k。此外，这些模型使用了一个带有128K-token词汇表的新分词器，减少了编码文本所需token数量的15%。这个词汇表也解释了从70亿到80亿参数的增长。

ORPO需要一个偏好数据集，包括一个提示、一个被选择的答案和一个被拒绝的答案。在这个例子中，我们将使用mlabonne/orpo-dpo- mix-40k，这是一个由以下高质量DPO数据集组合而成的数据集：

argilla/distilabel-capybara-dpo-7k-binarized : 高分选择的答案 >=5（2,882个样本） https://huggingface.co/datasets/argilla/distilabel-capybara-dpo-7k-binarized argilla/distilabel-intel-orca-dpo-pairs : 高分选择的答案 >=9，不在GSM8K中（2,299个样本） https://huggingface.co/datasets/argilla/distilabel-intel-orca-dpo-pairs argilla/ultrafeedback-binarized-preferences-cleaned : 高分选择的答案 >=5（22,799个样本） https://huggingface.co/datasets/argilla/ultrafeedback-binarized-preferences-cleaned argilla/distilabel-math-preference-dpo : 高分选择的答案 >=9（2,181个样本） https://huggingface.co/datasets/argilla/distilabel-math-preference-dpo unalignment/toxic-dpo-v0.2 (541个样本) https://huggingface.co/datasets/unalignment/toxic-dpo-v0.2 M4-ai/prm_dpo_pairs_cleaned (7,958个样本) https://huggingface.co/datasets/M4-ai/prm_dpo_pairs_cleaned jondurbin/truthy-dpo-v0.1 (1,016个样本) https://huggingface.co/datasets/jondurbin/truthy-dpo-v0.1 感谢argilla、unalignment、M4-ai和jondurbin提供了源数据集。

开始安装所需的库：

 pip install -U transformers datasets accelerate peft trl bitsandbytes wandb

一旦安装完成，我们可以导入必要的库，并登录到W&B（可选）：

 import gc import os import torch import wandb from datasets import load_dataset from google.colab import userdata from peft import LoraConfig, PeftModel, prepare_model_for_kbit_training from transformers import ( AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, TrainingArguments, pipeline, ) from trl import ORPOConfig, ORPOTrainer, setup_chat_format wb_token = userdata.get('wandb') wandb.login(key=wb_token)

如果你有一块较新的GPU，你还应该能够使用Flash Attention库来替换默认的热切关注实现，以一个更有效的方式来实现。

 if torch.cuda.get_device_capability()[0] >= 8: !pip install -qqq flash-attn attn_implementation = "flash_attention_2" torch_dtype = torch.bfloat16 else: attn_implementation = "eager" torch_dtype = torch.float16

接下来，我们将使用bitsandbytes以4位精度加载Llama 3 8B模型。然后，我们使用PEFT为QLoRA设置LoRA配置。我还使用了方便的setup_chat_format()函数来修改模型和为ChatML支持的分词器。它会自动应用这个聊天模板，添加特殊的令牌，并调整模型的嵌入层的大小以匹配新的词汇表大小。请注意，你需要提交请求才能访问meta-llama/Meta-Llama-3-8B，并且要登录到你的Hugging Face账户。或者，你可以加载未封闭的模型副本，如NousResearch/Meta–Llama-3-8B。

 # Model base_model = "meta-llama/Meta-Llama-3-8B" new_model = "OrpoLlama-3-8B" # QLoRA config bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch_dtype, bnb_4bit_use_double_quant=True, ) # LoRA config peft_config = LoraConfig( r=16, lora_alpha=32, lora_dropout=0.05, bias="none", task_type="CAUSAL_LM", target_modules=['up_proj', 'down_proj', 'gate_proj', 'k_proj', 'q_proj', 'v_proj', 'o_proj'] ) # Load tokenizer tokenizer = AutoTokenizer.from_pretrained(base_model) # Load model model = AutoModelForCausalLM.from_pretrained( base_model, quantization_config=bnb_config, device_map="auto", attn_implementation=attn_implementation ) model, tokenizer = setup_chat_format(model, tokenizer) model = prepare_model_for_kbit_training(model)

现在模型已经准备好进行训练，我们可以处理数据集。我们加载mlabonne/orpo-dpo-mix-40k，并使用apply_chat_template()函数将“chosen”和“rejected”列转换为ChatML格式。请注意，我只使用了1,000个样本，而不是整个数据集，因为运行起来会花费太长时间。

 dataset_name = "mlabonne/orpo-dpo-mix-40k" dataset = load_dataset(dataset_name, split="all") dataset = dataset.shuffle(seed=42).select(range(10)) def format_chat_template(row): row["chosen"] = tokenizer.apply_chat_template(row["chosen"], tokenize=False) row["rejected"] = tokenizer.apply_chat_template(row["rejected"], tokenize=False) return row dataset = dataset.map( format_chat_template, num_proc= os.cpu_count(), ) dataset = dataset.train_test_split(test_size=0.01)

首先，我们需要设置一些超参数：学习率：与传统的SFT或者DPO相比，ORPO使用的学习率非常低。这个值8e-6来自原始论文，大致对应于SFT的学习率1e-5和DPO的学习率5e-6。我建议在真正的微调中将其增加到大约1e-6。 beta：它是论文中的参数，其默认值为0.1。来自原始论文的一个附录显示了如何通过消融研究选择它。其他参数，如最大长度和批量大小，都设置为尽可能多地使用VRAM（在此配置中约为20 GB）。理想情况下，我们将对模型进行3-5个周期的训练，但这里我们将坚持1个周期。最后，我们可以使用ORPOTrainer来训练模型，它充当一个包装器。

 orpo_args = ORPOConfig( learning_rate=8e-6, beta=0.1, lr_scheduler_type="linear", max_length=1024, max_prompt_length=512, per_device_train_batch_size=2, per_device_eval_batch_size=2, gradient_accumulation_steps=4, optim="paged_adamw_8bit", num_train_epochs=1, evaluation_strategy="steps", eval_steps=0.2, logging_steps=1, warmup_steps=10, report_to="wandb", output_dir="./results/", ) trainer = ORPOTrainer( model=model, args=orpo_args, train_dataset=dataset["train"], eval_dataset=dataset["test"], peft_config=peft_config, tokenizer=tokenizer, ) trainer.train() trainer.save_model(new_model)

在L4 GPU上对这1000个样本进行模型训练大约需要2个小时。让我们查看W&B的图：

当loss降低时，受欢迎输出和不受欢迎输出之间的差异并不明显：平均边界和准确度分别仅略高于0和0.5。

在原始论文中，作者们在 Anthropic/hh-rlhf 数据集（161k个样本）上训练模型进行了10个epochs，这比我们现在运行的时间要长得多。他们还对Llama3进行了实验，并且友好地与我分享了他们的日志（感谢Jiwoo Hong）。

在本教程的结尾，让我们将QLoRA适配器与基础模型合并，并将其推送到Hugging Face Hub。

 # Flush memory del trainer, model gc.collect() torch.cuda.empty_cache() # Reload tokenizer and model tokenizer = AutoTokenizer.from_pretrained(base_model) model = AutoModelForCausalLM.from_pretrained( base_model, low_cpu_mem_usage=True, return_dict=True, torch_dtype=torch.float16, device_map="auto", ) model, tokenizer = setup_chat_format(model, tokenizer) # Merge adapter with base model model = PeftModel.from_pretrained(model, new_model) model = model.merge_and_unload() model.push_to_hub(new_model, use_temp_dir=False) tokenizer.push_to_hub(new_model, use_temp_dir=False)

恭喜，我们完成了Llama3：mlabonne/OrpoLlama-3-8B的快速微调。你可以使用这个Hugging Face Space（这里有一个notebook，让你自己来实践）来使用它。尽管模型训练不足，正如W&B曲线所强调的那样，我还是使用LLM AutoEval在Nous的基准测试套件上进行了一些评估。

我们的ORPO微调实际上相当不错，并且提高了基础模型在每个基准测试上的性能。这是令人鼓舞的，并且很可能意味着在整个40k样本上进行微调将带来很好的结果。

对于开源社区来说，这是一个激动人心的时刻，越来越多的高质量开放权重模型被发布。闭源和开放权重模型之间的差距正在逐渐缩小，而微调是获取您用例最佳性能的重要工具。

结论

在这篇教程中，我们介绍了ORPO算法，并解释了它如何将SFT（监督式微调）和RLHF统一为单一的过程。然后，我们使用TRL（Transformer Reinforcement Learning）对一个定制的偏好数据集上的Llama3-8B进行微调。最终模型展示了令人鼓舞的结果，并突显了ORPO作为新的微调范式的潜力。

我希望这很有帮助，并推荐你运行Colab笔记本来微调你自己的Llama3模型。在将来的文章中，我们将看到如何创建高质量的数据集——这是一个经常被忽视的点。