Scaling Instruction-Finetuned Language Models 论文发布了 FLAN-T5 模型，它是 T5 模型的增强版。FLAN-T5 由很多各种各样的任务微调而得，因此，简单来讲，它就是个方方面面都更优的 T5 模型。相同参数量的条件下，FLAN-T5 的性能相比 T5 而言有两位数的提高。Google 在 Hugging Face 上开源了 5 个 FLAN-T5 的 checkpoints，参数量范围从 8000 万  到 110 亿。

Scaling Instruction-Finetuned Language Models 论文地址:https://arxiv.org/pdf/2210.11416.pdf

关于 FLAN-T5 的模型筛选结果:https://hf.co/models?other=arxiv:2210.11416

(资料图片)

在之前的一篇博文中，我们已经学习了如何 针对聊天对话数据摘要生成任务微调 FLAN-T5，那时我们使用的是 Base (250M 参数) 模型。本文，我们将研究如何将训练从 Base 扩展到 XL (30 亿参数) 或 XXL (110 亿参数)。

针对聊天对话数据摘要生成任务微调 FLAN-T5 指南:https://www.philschmid.de/fine-tune-flan-t5

Base (250M 参数) 模型:https://hf.co/google/flan-t5-base

XL (30 亿参数) 模型:https://hf.co/google/flan-t5-xl

XXL (110 亿参数) 模型:https://hf.co/google/flan-t5-xxl

这意味着我们将学习如何利用模型并行、多 GPU 以及 DeepSpeed ZeRO 来微调 FLAN-T5 XL 和 XXL。

DeepSpeed ZeRO 链接:https://www.deepspeed.ai/tutorials/zero/

除了作为教程的部分之外，我们还跑了一系列实验，这些实验数据可以帮助你选择正确的硬件设置。你可以在 结果和实验 部分找到详细信息。

处理数据集

与 针对聊天对话的摘要生成任务微调 FLAN-T5 一文中类似，我们需要先准备一个用于微调的数据集。本文，我们将在 CNN Dailymail 数据集 上微调 FLAN-T5-XXL。我们不会赘述如何生成数据集，如果你想了解数据集生成的详细步骤，请参阅前文提到的 Fine Tune FLAN-T5。

CNN Dailymail 数据集:https://hf.co/datasets/cnn_dailymail

FLAN-T5-XXL:https://hf.co/google/flan-t5-xxl

我们定义了一些参数，本文的示例都会基于这些参数，但你可以根据实际需要进行调整。

与 Fine Tune FLAN-T5 不同，这次我们把预处理和训练分开。这样我们就可以在非 GPU 实例上运行预处理。我们先对数据集进行预处理 (即分词) 并将其保存到磁盘，然后训练脚本再从磁盘中加载预处理后的数据集。

我们在配置文件中定义了一个 prompt_template，其可用于来构建指令提示，以提高我们模型的性能。prompt_template有“固定”的开始词和结束词，文档放在中间。这意味着我们需要确保 “固定”模板词 + 文档 总长不超过模型支持的最大序列长度。因此我们需要计算模型支持的最大文档长度，稍后我们会根据它来填充或截断模板中的文档。

现在我们知道，模型支持的最大输入文档长度为 500。除了输入之外，我们还需要知道最大“目标”序列长度，我们可以通过遍历数据集中的摘要长度来得到。(代码需要运行几分钟)

使用 deepspeed微调模型

准备完毕！我们现在可以开始训练模型了！如前所述，我们将使用集成了 DeepSpeed 的 Hugging Face Trainer。因此我们需要创建一个 deespeed_config.json。DeepSpeed 配置 定义了要使用的 ZeRO 策略以及是否要使用混合精度训练等配置项。Hugging Face Trainer 允许我们从 deepspeed_config.json中的 TrainingArguments继承相关配置以避免重复设置，查看 文档了解更多信息。

DeepSpeed 配置:https://www.deepspeed.ai/docs/config-json/

DeepSpeed 文档链接:https://hf.co/docs/transformers/v4.26.1/en/main_classes/deepspeed

我们创建了 4 组 deepspeed 配置文件用于实验，包括 CPU 卸载和 混合精度:

以下文件来自:https://github.com/philschmid/deep-learning-pytorch-huggingface/blob/main/training/configs/

ds_flan_t5_z3_config.json

ds_flan_t5_z3_config_bf16.json

ds_flan_t5_z3_offload.json

ds_flan_t5_z3_offload_bf16.json

你可以根据你的运行环境选择，例如如果在 NVIDIA V100s 上运行，你就不能使用带 bf16的配置，因为 V100 不支持 bfloat16数据类型。

在微调 T5模型时，不能使用 fp16，因为它会导致精度溢出问题，参见问题  #4586，#10830，和拉取请求 #10956

仓库地址:https://github.com/huggingface/transformers/

如开头所述，我们使用的是 p4dn.24xlarge AWS EC2 实例，该实例包含 8 张显存为 40GB 的 NVIDIA A100。这意味着我们可以使用 bf16，它将减少近一半的模型显存占用，使我们能够在不卸载的情况下高效训练。

我们将使用 ds_flan_t5_z3_config_bf16.json。如果你不想用 auto值，可以查看 文档。

文档地址:https://hf.co/docs/transformers/v4.26.1/en/main_classes/deepspeed

现在，该训练脚本上场了。我们根据 Fine Tune FLAN-T5 准备了一个 run_seq2seq_deepspeed.py 训练脚本，它支持我们配置 deepspeed 和其他超参数，包括 google/flan-t5-xxl的模型 ID。

run_seq2seq_deepspeed.py 链接:https://github.com/philschmid/deep-learning-pytorch-huggingface/blob/main/training/scripts/run_seq2seq_deepspeed.py

我们使用 deepspeed启动器触发训练，输入给启动器的参数包括 GPU 数量、deepspeed 配置及其它超参数 (如 google/flan-t5-xxl的模型 ID)。

DeepSpeed 先将模型加载到 CPU 上，然后将其拆分到 8 张 A100 上然后开始训练。使用 CNN Dailymail 数据集 进行训练大约需要 10 个小时，费用约为 322 美元。

CNN Dailymail 数据集:https://hf.co/datasets/cnn_dailymail

结果与实验

为了更好地了解硬件要求，我们对 FLAN-T5 XL 和 XXL 进行了一系列实验，以帮助我们评估和了解硬件需求以及训练这些模型的成本。

下表列出了实验和相关设置的详细信息。

数据集: "cnn_dailymail"

训练样本数: 287113

验证样本数: 13368

超参:

epochs: 3

学习率: 1e-4

运行环境设置:

4x V100 16GB: p3.8xlarge

4x A10G 24GB: g5.24xlarge

8x V100 16GB: p3.16xlarge

8x A100 40GB: p4dn.24xlarge

模型DeepSpeed 卸载硬件GPU每卡batch size精度时长费用

我们可以看到 bf16与  fp32相比具有显著优势。FLAN-T5-XXL 能放进 4 张 A10G (24GB)，但放不进 8 张 V100 16GB。

我们的实验还表明，如果模型可以无需卸载同时以 batch size 大于 4 的配置跑在 GPU 上，其速度将比卸载模型和减小 batch size 的配置快约 2 倍且更具成本效益。

英文原文: https://www.philschmid.de/fine-tune-flan-t5-deepspeed

原文作者: Philipp Schmid

译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。

审校、排版: zhongdongy (阿东)