File size: 3,868 Bytes
22fb4ec |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 |
.. _length_grouped_sampler:
数据分组
========================
.. raw:: html
<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body><div align="center">
<img src="https://github.com/InternLM/xtuner/assets/36994684/779c5429-1f3c-4158-8261-289ba16c347a" width="728" data-src="https://github.com/InternLM/xtuner/assets/36994684/779c5429-1f3c-4158-8261-289ba16c347a" onerror="this.style.display = 'none';" />
</div></body></html>
生成式大模型（例如LLM）的训练数据往往是不定长的，这就导致同一批次（batch）内的数据长短不一。为实现并行化训练，一种常见的做法是将同一批次的数据填充到最长长度。然而，这一填充（Pad）操作会导致训练的低效。如上图，假设数据内各样本的长度分别为
2、3、7、9，期望分为2个批次进行训练，那么如果使用默认的随机采样器（左侧），数据处理阶段会引入过多的填充数据，实际效率只有65.6%。
现阶段有两种技术方案可以解决 / 缓解这一问题（两者选其一即可，优先考虑
**数据拼接技术**\ ）：
1. 利用
**数据拼接技术**\ ，将多条数据拼接至训练支持的最大长度。这一做法可以确保同一批次内的数据长度完全一致，进而避免了填充数据所导致的训练效率降低。具体可参考
\ :ref:`数据拼接文档 <pack_to_max_length>` \ 。
:优点: 可以合并多个数据样本，显著降低训练 iter 数，加速效果好。
:缺点: 随机合并的多个数据样本间会互相影响，进而影响训练效果（实际影响程度未知）；数据进行了合并，丢失了一定数据随机性。
2. （本文）利用
**基于数据长度分组的采样器**\ ，在构建批次数据时，基于实际长度进行排序，确保同一批次内的数据长度尽可能相近，进而尽可能减少填充的长度。如上图右侧，利用该采样器后，同样的数据效率将提升至87.5%。
:优点: 每条数据依然独立存在（独立计算
attention），避免数据拼接技术导致的数据样本间的互相影响；数据进行了分组，丢失了一定数据随机性。
:缺点: 在数据样本长度比较一致的情况下，加速效果一般。
使用 ``LengthGroupedSampler``
-----------------------------------------
XTuner 中基于数据长度分组的采样器 的实现在
`这里 <https://github.com/InternLM/xtuner/blob/main/xtuner/dataset/samplers/length_grouped.py>`__\ 。用户可以通过在配置文件中修改
``train_dataloader`` 的 ``sampler`` 参数进行配置。以
`internlm2_chat_7b_qlora_oasst1_512_e3 <https://github.com/InternLM/xtuner/blob/main/xtuner/configs/internlm/internlm2_chat_7b/internlm2_chat_7b_qlora_oasst1_512_e3.py>`__
配置文件为例，其默认是使用随机的采样器，我们可以通过下列修改使其使用
基于数据长度分组的采样器：
.. code:: diff
- from mmengine.dataset import DefaultSampler
+ from xtuner.dataset.samplers import LengthGroupedSampler
batch_size = 16 # per_device
accumulative_counts = 1
train_dataloader = dict(
batch_size=batch_size,
num_workers=dataloader_num_workers,
dataset=train_dataset,
- sampler=dict(type=DefaultSampler, shuffle=True),
+ sampler=dict(
+ type=LengthGroupedSampler,
+ length_property='length',
+ per_device_batch_size=batch_size * accumulative_counts),
collate_fn=dict(type=default_collate_fn, use_varlen_attn=use_varlen_attn))
.. note::
其中，\ ``length_property``
需要传入获取数据集长度的“属性”，这一数值在通过 ``process_hf_dataset``
构建数据集时会自动设置为
``'length'``\ （因此，如果使用自定义的数据类，请确保这一属性的正确设置）。
|