Llama3微调优化关系提取
关系提取 (RE) 是从非结构化文本中提取关系以识别各种命名实体之间的联系的任务。它与命名实体识别 (NER) 一起完成，是自然语言处理流程中必不可少的步骤。随着大型语言模型 (LLM) 的兴起，涉及标记实体跨度和对它们之间的关系（如果有）进行分类的传统监督方法得到了基于 LLM 的方法的增强或完全取代 [1]。
Llama3 是 GenerativeAI 领域最新的主要版本 [2]。基本模型有两种尺寸，8B 和 70B，预计很快会发布 400B 模型。这些模型可在 HuggingFace 平台上使用；详情请参阅 [3]。70B 变体为 Meta 的新聊天网站 Meta.ai 提供支持，其性能可与 ChatGPT 相媲美。8B 模型是同类产品中性能最高的。Llama3 的架构与 Llama2 的架构相似，性能的提升主要归因于数据升级。该模型带有升级的标记器和扩展的上下文窗口。它被标记为开源，尽管只有一小部分数据被发布。总的来说，这是一个优秀的模型，我迫不及待地想尝试一下。
Llama3–70B 可以产生惊人的结果，但由于其规模，它不切实际、成本过高且难以在本地系统上使用。因此，为了利用它的能力，我们让 Llama3–70B 教较小的 Llama3–8B 从非结构化文本中提取关系的任务。
具体来说，在 Llama3–70B 的帮助下，我们构建了一个旨在进行关系提取的监督微调数据集。然后，我们使用该数据集对 Llama3–8B 进行微调，以增强其关系提取能力。
要重现与本博客相关的 Google Colab Notebook 中的代码，你需要：
- HuggingFace 凭证（用于保存微调模型，可选）和 Llama3 访问权限，可通过按照模型卡之一中的说明获取；
- 一个免费的 GroqCloud 帐户（你可以使用 Google 帐户登录）和相应的 API 密钥。
1、工作区设置
对于这个项目，我使用了配备 A100 GPU 和高 RAM 设置的 Google Colab Pro。
我们首先安装所有必需的库：
!pip install -q groq
!pip install -U accelerate bitsandbytes datasets evaluate
!pip install -U peft transformers trl 我很高兴地注意到，尽管模型很新颖，但整个设置从一开始就没有任何依赖关系问题或需要从源代码安装transformers。
我们还需要授予 Goggle Colab 对驱动器和文件的访问权限并设置工作目录：
# For Google Colab settings
from google.colab import userdata, drive
# This will prompt for authorization
drive.mount('/content/drive')
# Set the working directory
%cd '/content/drive/MyDrive/postedBlogs/llama3RE'对于那些希望将模型上传到 HuggingFace Hub 的人，我们需要上传 Hub 凭据。 在我的情况下，这些存储在 Google Colab 机密中，可以通过左侧的密钥按钮访问。 此步骤是可选的。
# For Hugging Face Hub setting
from huggingface_hub import login
# Upload the HuggingFace token (should have WRITE access) from Colab secrets
HF = userdata.get('HF')
# This is needed to upload the model to HuggingFace
login(token=HF,add_to_git_credential=True)我还添加了一些路径变量来简化文件访问：
# Create a path variable for the data folder
data_path = '/content/drive/MyDrive/postedBlogs/llama3RE/datas/'
# Full fine-tuning dataset
sft_dataset_file = f'{data_path}sft_train_data.json'
# Data collected from the the mini-test
mini_data_path = f'{data_path}mini_data.json'
# Test data containing all three outputs
all_tests_data = f'{data_path}all_tests.json'
# The adjusted training dataset
train_data_path = f'{data_path}sft_train_data.json'
# Create a path variable for the SFT model to be saved locally
sft_model_path = '/content/drive/MyDrive/llama3RE/Llama3_RE/'现在我们的工作区已经设置完毕，我们可以进入第一步，即为关系提取任务构建合成数据集。
2、使用 Llama3–70B 创建合成数据集
有几种可用的关系提取数据集，其中最著名的是 CoNLL04 数据集。此外，还有一些优秀的数据集，例如 HuggingFace 上提供的 web_nlg 和 AllenAI 开发的 SciREX。但是，这些数据集中的大多数都带有限制性许可证。
受 web_nlg 数据集格式的启发，我们将构建自己的数据集。如果我们计划微调在我们的数据集上训练的模型，这种方法将特别有用。首先，我们需要一组短句来完成关系提取任务。我们可以通过多种方式编译这个语料库。
2.1 收集句子集合
我们将使用 databricks-dolly-15k，这是 Databricks 员工在 2023 年生成的开源数据集。该数据集是设计用于监督微调，包括四个特征：指令、上下文、响应和类别。在分析了八个类别之后，我决定保留 information_extraction 类别中上下文的第一句话。数据解析步骤概述如下：
from datasets import load_dataset
# Load the dataset
dataset = load_dataset("databricks/databricks-dolly-15k")
# Choose the desired category from the dataset
ie_category = [e for e in dataset["train"] if e["category"]=="information_extraction"]
# Retain only the context from each instance
ie_context = [e["context"] for e in ie_category]
# Split the text into sentences (at the period) and keep the first sentence
reduced_context = [text.split('.')[0] + '.' for text in ie_context]
# Retain sequences of specified lengths only (use character length)
sampler = [e for e in reduced_context if 30 < len(e) < 170]选择过程产生了一个包含 1,041 个句子的数据集。鉴于这是一个小型项目，我没有亲自挑选句子，因此，一些样本可能不太适合我们的任务。在指定用于生产的项目中，我会仔细选择最合适的句子。但是，对于这个项目的目的而言，这个数据集就足够了。
2.2 格式化数据
我们首先需要创建一个系统消息，它将定义输入提示并指导模型如何生成答案：
system_message = """You are an experienced annontator.
Extract all entities and the relations between them from the following text.
Write the answer as a triple entity1|relationship|entitity2.
Do not add anything else.
Example Text: Alice is from France.
Answer: Alice|is from|France.
"""由于这是一个实验阶段，我将对模型的要求保持在最低限度。我确实测试了其他几个提示，包括一些要求以 CoNLL 格式输出的提示，其中实体被分类，并且模型表现相当不错。但是，为了简单起见，我们现在将坚持基本原则。
我们还需要将数据转换为对话格式：
messages = [[
{"role": "system","content": f"{system_message}"},
{"role": "user", "content": e}] for e in sampler]2.3 Groq 客户端和 API
Llama3 几天前才发布，API 选项的可用性仍然有限。虽然 Llama3–70B 有一个聊天界面，但这个项目需要一个可以用几行代码处理我的 1,000 个句子的 API。我发现了这个很棒的 YouTube 视频，解释了如何免费使用 GroqCloud API。有关更多详细信息，请参阅视频。
提醒一下：你需要登录并从 GroqCloud 网站检索免费 API 密钥。我的 API 密钥已保存在 Google Colab 机密中。我们首先初始化 Groq 客户端：
import os
from groq import Groq
gclient = Groq(
api_key=userdata.get("GROQ"),
)接下来，我们需要定义几个辅助函数，使我们能够有效地与 Meta.ai 聊天界面进行交互（这些是从 YouTube 视频中改编而来的）：
import time
from tqdm import tqdm
def process_data(prompt):
"""Send one request and retrieve model's generation."""
chat_completion = gclient.chat.completions.create(
messages=prompt, # input prompt to send to the model
model="llama3-70b-8192", # according to GroqCloud labeling
temperature=0.5, # controls diversity
max_tokens=128, # max number tokens to generate
top_p=1, # proportion of likelihood weighted options to consider
stop=None, # string that signals to stop generating
stream=False, # if set partial messages are sent
)
return chat_completion.choices[0].message.content
def send_messages(messages):
"""Process messages in batches with a pause between batches."""
batch_size = 10
answers = []
for i in tqdm(range(0, len(messages), batch_size)): # batches of size 10
batch = messages[i:i+10] # get the next batch of messages
for message in batch:
output = process_data(message)
answers.append(output)
if i + 10 < len(messages): # check if there are batches left
time.sleep(10) # wait for 10 seconds
return answers第一个函数 process_data() 用作 Groq 客户端聊天完成函数的包装器。第二个函数 send_messages() 以小批量处理数据。如果你点击 Groq 游乐场页面上的“设置”链接，你将找到一个“限制”链接，其中详细说明了我们可以使用免费 API 的条件，包括请求数和生成令牌数的上限。为了避免超出这些限制，我在每批 10 条消息后添加了 10 秒的延迟，尽管在我的情况下这不是绝对必要的。你可能想要尝试这些设置。
现在剩下的就是生成我们的关系提取数据并将其与初始数据集集成：
# Data generation with Llama3-70B
answers = send_messages(messages)
# Combine input data with the generated dataset
combined_dataset = [{'text': user, 'gold_re': output} for user, output in zip(sampler, answers)]3、评估 Llama3–8B 的关系提取
在继续微调模型之前，重要的是评估其在几个样本上的性能，以确定是否确实需要微调。
构建测试数据集
我们将从刚刚构建的数据集中选择 20 个样本，并将它们放在一边进行测试。数据集的其余部分将用于微调。
import random
random.seed(17)
# Select 20 random entries
mini_data = random.sample(combined_dataset, 20)
# Build conversational format
parsed_mini_data = [[{'role': 'system', 'content': system_message},
{'role': 'user', 'content': e['text']}] for e in mini_data]
# Create the training set
train_data = [item for item in combined_dataset if item not in mini_data]我们将使用 GroqCloud API 和上面定义的实用程序，指定 model=llama3-8b-8192，而其余函数保持不变。在这种情况下，我们可以直接处理我们的小数据集，而不必担心超出 API 限制。
以下是提供原始文本的示例输出，Llama3-70B 代表示为 gold_re，Llama3-8B h 代标记为 test_re。
{'text': 'Long before any knowledge of electricity existed, people were aware of shocks from electric fish.',
'gold_re': 'people|were aware of|shocks\nshocks|from|electric fish\nelectric fish|had|electricity',
'test_re': 'electric fish|were aware of|shocks'}有关完整测试数据集，请参阅 Google Colab 笔记本。
仅从这个例子中，就可以清楚地看出 Llama3–8B 可以从其关系提取功能的一些改进中受益。让我们努力增强这一点。
4、Llama3–8B 的监督微调
我们将利用包括 QLoRA 和 Flash Attention 在内的全套技术来协助我们。我不会在这里深入探讨选择超参数的细节，但如果你有兴趣进一步探索，请查看这些很棒的参考资料 [4] 和 [5]。
A100 GPU 支持 Flash Attention 和 bfloat16，它拥有大约 40GB 的内存，足以满足我们的微调需求。
4.1 准备 SFT 数据集
我们首先将数据集解析为对话格式，包括系统消息、输入文本和所需的答案，这些答案是我们从 Llama3-70B 代中得出的。然后我们将其保存为 HuggingFace 数据集：
def create_conversation(sample):
return {
"messages": [
{"role": "system","content": system_message},
{"role": "user", "content": sample["text"]},
{"role": "assistant", "content": sample["gold_re"]}
]
}
from datasets import load_dataset, Dataset
train_dataset = Dataset.from_list(train_data)
# Transform to conversational format
train_dataset = train_dataset.map(create_conversation,
remove_columns=train_dataset.features,
batched=False)4.2 选择模型
model_id = "meta-llama/Meta-Llama-3-8B"4.3 加载 Tokenizer
from transformers import AutoTokenizer
# Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id,
use_fast=True,
trust_remote_code=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.pad_token_id = tokenizer.eos_token_id
tokenizer.padding_side = 'left'
# Set a maximum length
tokenizer.model_max_length = 5124.4 选择量化参数
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_use_double_quant=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16
)4.5 加载模型
from transformers import AutoModelForCausalLM
from peft import prepare_model_for_kbit_training
from trl import setup_chat_format
device_map = {"": torch.cuda.current_device()} if torch.cuda.is_available() else None
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map=device_map,
attn_implementation="flash_attention_2",
quantization_config=bnb_config
)
model, tokenizer = setup_chat_format(model, tokenizer)
model = prepare_model_for_kbit_training(model)4.6 LoRA 配置
from peft import LoraConfig
# According to Sebastian Raschka findings
peft_config = LoraConfig(
lora_alpha=128, #32
lora_dropout=0.05,
r=256, #16
bias="none",
target_modules=["q_proj", "o_proj", "gate_proj", "up_proj",
"down_proj", "k_proj", "v_proj"],
task_type="CAUSAL_LM",
)当针对所有线性层时，可获得最佳结果。如果内存限制是一个问题，选择更多标准值（例如 alpha=32 和 rank=16）可能会有所帮助，因为这些设置会显著减少参数。
4.7 训练参数
from transformers import TrainingArguments
# Adapted from Phil Schmid blogpost
args = TrainingArguments(
output_dir=sft_model_path, # directory to save the model and repository id
num_train_epochs=2, # number of training epochs
per_device_train_batch_size=4, # batch size per device during training
gradient_accumulation_steps=2, # number of steps before performing a backward/update pass
gradient_checkpointing=True, # use gradient checkpointing to save memory, use in distributed training
optim="adamw_8bit", # choose paged_adamw_8bit if not enough memory
logging_steps=10, # log every 10 steps
save_strategy="epoch", # save checkpoint every epoch
learning_rate=2e-4, # learning rate, based on QLoRA paper
bf16=True, # use bfloat16 precision
tf32=True, # use tf32 precision
max_grad_norm=0.3, # max gradient norm based on QLoRA paper
warmup_ratio=0.03, # warmup ratio based on QLoRA paper
lr_scheduler_type="constant", # use constant learning rate scheduler
push_to_hub=True, # push model to Hugging Face hub
hub_model_id="llama3-8b-sft-qlora-re",
report_to="tensorboard", # report metrics to tensorboard
)如果你选择将模型保存在本地，则可以省略最后三个参数。你可能还需要调整 per_device_batch_size 和 gradient_accumulation_steps 以防止内存不足 (OOM) 错误。
4.8 初始化训练器并训练模型
from trl import SFTTrainer
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=sft_dataset,
peft_config=peft_config,
max_seq_length=512,
tokenizer=tokenizer,
packing=False, # True if the dataset is large
dataset_kwargs={
"add_special_tokens": False, # the template adds the special tokens
"append_concat_token": False, # no need to add additional separator token
}
)
trainer.train()
trainer.save_model()训练（包括模型保存）大约需要 10 分钟。
让我们清除内存以准备进行推理测试。如果您使用的是内存较少的 GPU 并遇到 CUDA 内存不足 (OOM) 错误，则可能需要重新启动运行时。
import torch
import gc
del model
del tokenizer
gc.collect()
torch.cuda.empty_cache()5、使用 SFT 模型进行推理
在这最后一步中，我们将以半精度加载基础模型以及 Peft 适配器。对于此测试，我选择不将模型与适配器合并。
from peft import AutoPeftModelForCausalLM
from transformers import AutoTokenizer, pipeline
import torch
# HF model
peft_model_id = "solanaO/llama3-8b-sft-qlora-re"
# Load Model with PEFT adapter
model = AutoPeftModelForCausalLM.from_pretrained(
peft_model_id,
device_map="auto",
torch_dtype=torch.float16,
offload_buffers=True
)接下来，我们加载 tokenizer：
okenizer = AutoTokenizer.from_pretrained(peft_model_id)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.pad_token_id = tokenizer.eos_token_id然后我们构建文本生成管道：
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)我们加载测试数据集，由我们之前预留的 20 个样本组成，并以对话形式格式化数据。但是，这次我们省略了助手消息，并将其格式化为 Hugging Face 数据集：
def create_input_prompt(sample):
return {
"messages": [
{"role": "system","content": system_message},
{"role": "user", "content": sample["text"]},
]
}
from datasets import Dataset
test_dataset = Dataset.from_list(mini_data)
# Transform to conversational format
test_dataset = test_dataset.map(create_input_prompt,
remove_columns=test_dataset.features,
batched=False)单样本测试
让我们使用 SFT Llama3–8B 生成关系提取输出，并将其与单个实例上的前两个输出进行比较：
Generate the input prompt
prompt = pipe.tokenizer.apply_chat_template(test_dataset[2]["messages"][:2],
tokenize=False,
add_generation_prompt=True)
# Generate the output
outputs = pipe(prompt,
max_new_tokens=128,
do_sample=False,
temperature=0.1,
top_k=50,
top_p=0.1,
)
# Display the results
print(f"Question: {test_dataset[2]['messages'][1]['content']}\n")
print(f"Gold-RE: {test_sampler[2]['gold_re']}\n")
print(f"LLama3-8B-RE: {test_sampler[2]['test_re']}\n")
print(f"SFT-Llama3-8B-RE: {outputs[0]['generated_text'][len(prompt):].strip()}")我们得到以下信息：
Question: Long before any knowledge of electricity existed, people were aware of shocks from electric fish.
Gold-RE: people|were aware of|shocks
shocks|from|electric fish
electric fish|had|electricity
LLama3-8B-RE: electric fish|were aware of|shocks
SFT-Llama3-8B-RE: people|were aware of|shocks
shocks|from|electric fish在此示例中，我们观察到通过微调 Llama3–8B 的关系提取能力显著提高。尽管微调数据集既不干净也不特别大，但结果令人印象深刻。
有关 20 个样本数据集的完整结果，请参阅 Google Colab 笔记本。请注意，推理测试需要更长时间，因为我们以半精度加载模型。
6、结束语
通过利用 Llama3–70B 和可用数据集，我们成功创建了一个合成数据集，然后将其用于微调 Llama3–8B 以完成特定任务。这个过程不仅让我们熟悉了 Llama3，还让我们能够应用 Hugging Face 的简单技术。我们观察到，使用 Llama3 与使用 Llama2 的体验非常相似，显著的改进是输出质量的提高和更有效的标记器。
对于那些有兴趣进一步突破界限的人，可以考虑用更复杂的任务来挑战模型，例如对实体和关系进行分类，并使用这些分类来构建知识图谱。
完整代码和处理后的数据可以访问Github Repo。
原文链接：Relation Extraction with Llama3 Models
汇智网翻译整理，转载请标明出处