使用 Processed 普通对话数据集训任意模型
使用尚未 token 化的 ftdp 数据进行训练，保持待训练模型的对话模板不变，且不需要进行离线处理的场景。
Step 1, 导出模板 config 文件
XTuner 中目前提供了训练 Internlm2 的模板 config，使用命令：
xtuner copy-cfg internlm2_7b_w_untokenized_dataset .
可将训练 Internlm2 的模板 config 导出至当前目录下。
Step 2, 修改模板 config 文件
修改模板 config 文件中的训练数据路径为真实数据路径，路径中的所有以 .json 为后缀的数据将会作为训练数据：
...
#######################################################################
# PART 1 Settings #
#######################################################################
# Model
pretrained_model_name_or_path = 'internlm/internlm2-7b'
use_varlen_attn = True
# Data
- dataset_folder = '/mnt/petrelfs/share_data/caoweihan/v1_sample_with_legal_cate'
+ dataset_folder = '/path/to/untokenized/data'
prompt_template = PROMPT_TEMPLATE.internlm2_chat
max_length = 32768
pack_to_max_length = True
...
Step 3, 获取数据顺序 （可选）
运行下面的代码可获取数据顺序，并存为 txt 文件：
python xtuner/tools/get_data_order.py \
--data-folder /path/to/untokenized/data \
--save-folder /folder/to/save/data/order \
--file-type ${file_type}
其中，--file-type ${file_type} 表示需要统计所有以 ${file_type} 为文件名后缀的文件的顺序。
例如，需要获取 /path/to/untokenized/data 路径下所有以 .json 结尾的文件的顺序，并保存在当前路径下，那么上述命令需要改为：
python xtuner/tools/get_data_order.py \
--data-folder /path/to/untokenized/data \
--save-folder . \
--file-type .json
同时，需要进一步修改 Step 2 中的 Config 文件，并设置数据顺序文件路径：
...
#######################################################################
# PART 3 Dataset & Dataloader #
#######################################################################
train_dataset = dict(
type=build_packed_dataset,
dataset_cfg=dict(
type=load_intern_repo_tokenized_dataset,
- data_order_path=None,
+ data_order_path='/folder/to/save/data/order/'+'data_order.txt',
folder=dataset_folder,
min_length=0,
- file_type='.bin' # 指定 data_order_path 后，file_type 参数就不需要设置了
),
packed_length=max_length,
seed=1024)
Step 4, 启动训练
在 slurm 集群调度系统中可以通过以下命令启动训练：
srun ${SRUN_ARGS} xtuner train internlm2_7b_w_untokenized_dataset_copy.py --launcher slurm --deepspeed deepspeed_zero1
若出现 OOM 现象，可尝试使用 zero2 或 zero3。以下命令可以使用 zero 3 显存优化策略进行训练：
srun ${SRUN_ARGS} xtuner train internlm2_7b_w_tokenized_dataset_copy.py --launcher slurm --deepspeed deepspeed_zero3
在阿里云 DLC 中可通过以下命令启动训练：
export NCCL_IB_TC=136
export NCCL_IB_SL=5
export NCCL_IB_GID_INDEX=3
export NCCL_SOCKET_IFNAME=bond0
export NCCL_DEBUG=INFO
export NCCL_IB_HCA=mlx5
export NCCL_IB_TIMEOUT=22
export NCCL_IB_QPS_PER_CONNECTION=8
export NCCL_NET_PLUGIN=none
export NCCL_BUFFSIZE=2097152
export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512
- export EXP_NAME=debug
+ export EXP_NAME=your_exp_name
export PYTHONPATH='.':$PYTHONPATH
source ~/.bashrc
+ cd /path/to/xtuner
+ conda activate conda_env_name
export NPROC_PER_NODE=${KUBERNETES_CONTAINER_RESOURCE_GPU}
export PORT=${MASTER_PORT}
export NNODES=${WORLD_SIZE}
export NODE_RANK=${RANK}
export ADDR=${MASTER_ADDR}
echo ${KUBERNETES_CONTAINER_RESOURCE_GPU}
echo ${WORLD_SIZE}
echo ${MASTER_PORT}
echo ${MASTER_ADDR}
echo ${RANK}
xtuner train internlm2_7b_w_untokenized_dataset_copy.py \
--deepspeed deepspeed_zero1 \
--work-dir work_dirs/${EXP_NAME}
Step 5, 转模型
deepspeed 转 hf：
python xtuner/tools/model_converters/pth_to_hf.py internlm2_7b_w_untokenized_dataset_copy.py /src/model/path /hf/dst/model/path
hf 转 Turbomind：
lmdeploy convert internlm2-chat-7b /hf/dst/model/path --dst-path /turbomind/dst/model/path