LLM-Shearing 开源项目教程
1. 项目介绍
LLM-Shearing 是一个由普林斯顿大学 NLP 团队开发的开源项目,旨在通过结构化剪枝技术加速大型语言模型(LLM)的预训练过程。该项目基于 MosaicML 的 Composer 包,专门优化和设计用于大规模语言模型的预训练。通过 LLM-Shearing,用户可以有效地将现有的 LLM 剪枝为更小、更高效的模型,从而显著减少计算资源和时间成本。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保您的环境中已经安装了 PyTorch 和 Flash Attention。您可以通过以下命令进行安装:
pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118
pip install flash-attn==1.0.3
2.2 安装 LLM-Shearing
克隆项目仓库并安装所需的依赖包:
git clone https://github.com/princeton-nlp/LLM-Shearing.git
cd LLM-Shearing
pip install -r requirement.txt
pip install -e .
2.3 数据准备
参考 llmshearing/data
目录中的说明,使用 MosaicML 的 Streaming 包准备数据。
2.4 模型准备
将 Hugging Face 的模型权重转换为 Composer 兼容的格式:
HF_MODEL_NAME=meta-llama/Llama-2-7b-hf
OUTPUT_PATH=models/Llama-2-7b-composer/state_dict.pt
mkdir -p $(dirname $OUTPUT_PATH)
python3 -m llmshearing.utils.composer_to_hf save_hf_to_composer $HF_MODEL_NAME $OUTPUT_PATH
2.5 剪枝和继续预训练
使用提供的脚本进行模型剪枝和继续预训练:
# 剪枝
bash llmshearing/scripts/pruning.sh
# 继续预训练
bash llmshearing/scripts/continue_pretraining.sh
3. 应用案例和最佳实践
3.1 案例一:加速 LLaMA 模型预训练
通过 LLM-Shearing,用户可以将 LLaMA-2-7B 模型剪枝为 1.3B 和 2.7B 参数的模型,显著减少预训练所需的计算资源和时间。剪枝后的模型在下游任务和指令调优任务中表现优异,且计算成本仅为从头开始训练的 3%。
3.2 案例二:动态批量加载
LLM-Shearing 还提供了一种动态批量加载算法,可以根据不同域的损失减少率动态调整数据加载比例,从而提高数据利用效率和模型性能。
4. 典型生态项目
4.1 MosaicML Composer
LLM-Shearing 基于 MosaicML 的 Composer 包,Composer 是一个专门为大规模语言模型预训练设计的优化工具包,提供了丰富的功能和优化策略。
4.2 Hugging Face Transformers
LLM-Shearing 支持将剪枝后的模型转换为 Hugging Face 的 Transformers 格式,方便用户进行推理和微调。
4.3 RedPajama 数据集
LLM-Shearing 使用 RedPajama 数据集进行预训练,RedPajama 是一个高质量的开源数据集,适用于各种语言模型的训练。
通过以上步骤,您可以快速上手 LLM-Shearing 项目,并利用其强大的剪枝和预训练功能,加速您的语言模型开发和应用。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









