重要

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。

Llama 3#

Meta 的 Llama 构建于通用 Transformer 解码器框架之上，并添加了一些关键功能，例如预归一化、SwiGLU 激活和旋转位置嵌入 (RoPE)。更多信息请参阅配套论文“Llama: Open and Efficient Foundation Language Models”。Llama 拥有各种模型尺寸，可为每个推理预算提供选项。

我们为预训练和微调两种尺寸的 Llama 3 模型（8B 和 70B）以及三种尺寸的 Llama 3.1 模型（8B、70B 和 405B）提供了预定义的配方。这些配方使用 NeMo 2.0 和 NeMo-Run。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。这些配方托管在以下文件中：llama3_8b、llama3_70b、llama31_8b、llama31_70b、llama31_405b。

NeMo 2.0 预训练配方#

注意

预训练配方使用 MockDataModule 作为 data 参数。您需要将 MockDataModule 替换为您自定义的数据集。

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数据参数

from nemo.collections import llm

pretrain = llm.llama3_8b.pretrain_recipe(
    name="llama3_8b_pretraining",
    dir=f"/path/to/checkpoints",
    num_nodes=1,
    num_gpus_per_node=8,
)

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

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.LlamaModel(llm.Llama3Config8B()), source='hf://meta-llama/Meta-Llama-3-8B')

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数据参数

from nemo.collections import llm

recipe = llm.llama3_8b.finetune_recipe(
    name="llama3_8b_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，并将 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以实现类似的收敛。

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(pretrain, executor=run.LocalExecutor())

此外，您也可以在同一个 Python 进程中直接运行它，如下所示

run.run(pretrain, direct=True)

下面提供了我们目前支持或计划很快支持的预训练配方的完整列表，供您参考

配方

状态

Llama 3 8B

是

Llama 3 8B FP8

不适用

Llama 3 8B 16k 序列长度

是

Llama 3 8B 64k 序列长度

是

Llama 3 70B

是

Llama 3 70B FP8

不适用

Llama 3 70B 16k 序列长度

是

Llama 3 70B 64k 序列长度

是

Llama 3.1 8B

是

Llama 3.1 70B

是

Llama 3.1 405B

是
本页内容