重要提示

您正在查看 NeMo 2.0 文档。此版本对 API 和新的库 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。

Starcoder#

Starcoder 模型是 155 亿参数模型，使用来自 The Stack (v1.2) 的 80 多种编程语言进行训练，并排除了选择退出请求。

我们提供了使用 NeMo 2.0 和 NeMo-Run 预训练 Starcoder 15B 模型的配方。该配方为 NeMo 2.0 中引入的 nemo.collections.llm api 函数之一配置了 run.Partial。该配方托管在 starcoder 文件中。

NeMo 2.0 预训练配方#

注意

预训练配方将 MockDataModule 用于 data 参数。您需要将 MockDataModule 替换为您自己的自定义数据集。

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.starcoder_15b.pretrain_recipe(
    name="starcoder_15b_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(
#     global_batch_size=global_batch_size,
#     micro_batch_size=micro_batch_size,
#     seq_length=pretrain.model.config.seq_length,
# )
# pretrain.data = dataloader

NeMo 2.0 微调配方#

注意

微调配方将 SquadDataModule 用于 data 参数。您可以将 SquadDataModule 替换为您的自定义数据集。

要导入 HF 模型并转换为 NeMo 2.0 格式，请运行以下命令（这只需要执行一次）

from nemo.collections import llm
llm.import_ckpt(model=llm.StarcoderModel(llm.StarcoderConfig15B()), source='hf://bigcode/starcoder')

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.starcoder_15b.finetune_recipe(
    name="starcoder_15b_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，其中 LoRA 应用于语言模型中的所有线性层。要微调没有 LoRA 的整个模型，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(pretrain, executor=run.LocalExecutor())

此外，您还可以直接在同一个 Python 进程中运行它，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，以供参考

配方

状态

Starcoder 15B

是
在本页中