首页
/ Effective LLM Alignment Toolkit 使用指南

Effective LLM Alignment Toolkit 使用指南

2025-04-19 09:27:47作者:胡易黎Nicole

1. 项目目录结构及介绍

Effective LLM Alignment Toolkit 的项目目录结构如下:

effective_llm_alignment/
├── accelerate/
│   ├── __init__.py
│   └── fsdp_gradop_config.yaml
├── deepspeed_configs/
│   └── ...
├── scripts/
│   ├── __init__.py
│   └── sft.py
├── src/
│   ├── __init__.py
│   ├── accelerate
│   ├── datasets
│   ├── prompts
│   ├── training
│   └── ...
├── training_configs/
│   └── sft/
│       └── sft-phi4-lora-GrandmasterRAG-v4.yaml
├── .gitignore
├── LICENSE
├── README.md
├── poetry.lock
└── pyproject.toml

目录说明:

  • accelerate/:包含加速训练的配置文件。
  • deepspeed_configs/:存放 DeepSpeed 的配置文件。
  • scripts/:包含启动训练脚本。
  • src/:源代码目录,包含模型定义、数据处理、提示符优化等模块。
  • training_configs/:训练配置文件目录。
  • .gitignore:Git 忽略文件列表。
  • LICENSE:项目许可证信息。
  • README.md:项目说明文件。
  • poetry.lock:Poetry 包管理工具的锁文件。
  • pyproject.toml:项目配置文件。

2. 项目的启动文件介绍

项目的启动文件位于 scripts/ 目录下,例如 sft.py。该文件是启动训练脚本的入口,它将读取配置文件,并执行模型训练的相关操作。

启动脚本的基本使用方法如下:

PYTHONPATH="${PYTHONPATH}:src/" poetry run accelerate launch --config_file accelerate/fsdp_gradop_config.yaml scripts/sft.py training_configs/sft/sft-phi4-lora-GrandmasterRAG-v4.yaml

参数说明:

  • PYTHONPATH:设置 Python 搜索路径,以便能够找到 src/ 目录下的模块。
  • poetry run:使用 Poetry 管理项目依赖。
  • accelerate launch:启动加速训练的命令。
  • --config_file:指定加速训练的配置文件。
  • scripts/sft.py:启动脚本文件。
  • training_configs/sft/sft-phi4-lora-GrandmasterRAG-v4.yaml:训练配置文件。

3. 项目的配置文件介绍

项目的配置文件位于 training_configs/ 目录下,例如 sft/sft-phi4-lora-GrandmasterRAG-v4.yaml。配置文件使用 YAML 格式,定义了训练过程中的各种参数。

以下是一个配置文件的示例:

model_name_or_path: "unsloth/Meta-Llama-3.1-8B-Instruct"
dataset:
  - "Vikhrmodels/GrandMaster-PRO-MAX"
  - "Vikhrmodels/Grounded-RAG-RU-v2"
train_only_on_completions: True
per_device_train_batch_size: 1
per_device_eval_batch_size: 1
num_train_epochs: 1
save_strategy: "steps"
save_steps: 400
save_total_limit: 6
learning_rate: 0.00004
gradient_accumulation_steps: 8
gradient_checkpointing: True
logging_steps: 1
remove_unused_columns: False
dataloader_num_workers: 2
save_only_model: True
generate_eval_examples: True
use_liger: True
max_seq_length: 16000
evaluation_strategy: "steps"
eval_steps: 400
run_name: "sft-grndmrag-llama-3.1-unsloth-lora-256-qkvogud"

参数说明:

  • model_name_or_path:指定预训练模型的路径。
  • dataset:训练数据集的路径列表。
  • train_only_on_completions:是否只训练完整回答。
  • per_device_train_batch_size:每个设备上的训练批次大小。
  • per_device_eval_batch_size:每个设备上的评估批次大小。
  • num_train_epochs:训练的轮数。
  • save_strategysave_stepssave_total_limit:模型保存的策略和步数限制。
  • learning_rate:学习率。
  • gradient_accumulation_steps:梯度累积的步数。
  • gradient_checkpointing:是否开启梯度检查点。
  • logging_steps:日志打印的步数。
  • remove_unused_columns:是否移除未使用的列。
  • dataloader_num_workers:数据加载器的工作线程数。
  • save_only_model:是否只保存模型。
  • generate_eval_examples:是否生成评估示例。
  • use_liger:是否使用 Liger 内核。
  • max_seq_length:最大序列长度。
  • evaluation_strategyeval_steps:评估策略和步数。
  • run_name:运行名称。
登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 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
273
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
923
551
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
421
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
74
64
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