重要提示

您正在查看 NeMo 2.0 文档。此版本对 API 和新库 NeMo Run 进行了重大更改。我们目前正在将 NeMo 1.0 的所有功能移植到 2.0。有关先前版本或 2.0 中尚不可用的功能的文档，请参阅 NeMo 24.07 文档。

Baichuan 2#

Baichuan 2 是百川智能公司推出的新一代大规模开源语言模型。它使用高质量语料库进行了训练，包含 2.6 万亿个 tokens，并在同等规模的权威中英文基准测试中取得了最佳性能。

注意

您需要在 NeMo 容器中手动安装 bitsandbytes 才能使用 Baichuan 2 模型。

我们为使用 NeMo 2.0 和 NeMo-Run 微调 Baichuan2 7B 模型提供了预定义的配方。这些配方为 NeMo 2.0 中引入的 nemo.collections.llm api 函数之一配置了 run.Partial。这些配方托管在 baichuan2_7b 中。

NeMo 2.0 微调配方#

注意

微调配方使用 SquadDataModule 作为 data 参数。您可以将 SquadDataModule 替换为您自定义的数据集。

要导入 HF 模型并转换为 NeMo 2.0 格式，请运行以下命令（此操作只需执行一次）

from nemo.collections import llm
llm.import_ckpt(model=llm.Baichuan2Model(llm.Baichuan2Config7B()), source='hf://baichuan-inc/Baichuan2-7B-Base')

默认情况下，加载模型的非指令版本。要加载不同的模型，请设置 finetune.resume.restore_config.path=nemo://<hf model id> 或 finetune.resume.restore_config.path=<local model path>

我们在下面提供了一个示例，说明如何调用默认配方并覆盖 data 参数

from nemo.collections import llm

recipe = llm.baichuan2_7b.finetune_recipe(
    name="baichuan2_7b_finetuning",
    dir=f"/path/to/checkpoints",
    num_nodes=1,
    num_gpus_per_node=8,
    peft_scheme='lora',  # 'lora', 'none'
    packed_sequence=False,
)

# # To override the data argument
# dataloader = a_function_that_configures_your_custom_dataset(
#     gbs=gbs,
#     mbs=mbs,
#     seq_length=recipe.model.config.seq_length,
# )
# recipe.data = dataloader

默认情况下，微调配方将运行 LoRA 微调，LoRA 应用于语言模型中的所有线性层。要微调整个模型而不使用 LoRA，请在配方参数中设置 peft_scheme='none'。

要使用序列打包进行微调以获得更高的吞吐量，请设置 packed_sequence=True。请注意，您可能需要调整全局批大小才能实现类似的收敛。

注意

配方中的配置是使用 NeMo-Run run.Config 和 run.Partial 配置对象完成的。请查看 NeMo-Run 文档，以了解有关其配置和执行系统的更多信息。

一旦您准备好最终配置，就可以在任何 NeMo-Run 支持的执行器上执行它。最简单的是本地执行器，它只是在单独的进程中本地运行预训练。您可以按如下方式使用它

import nemo_run as run

run.run(recipe, executor=run.LocalExecutor())

此外，您也可以按如下方式在同一 Python 进程中直接运行它

run.run(recipe, direct=True)
在此页面上