首页
/ LLM-Shearing 开源项目教程

LLM-Shearing 开源项目教程

2024-09-18 07:16:30作者:秋阔奎Evelyn

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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8