Spaces:
Runtime error
Runtime error
1、数据编码问题
https://github.com/Facico/Chinese-Vicuna/issues/5
我们在处理数据的时候，因为没有强制让json使用非ascii编码，所以非英文部分会自动在json中自动使用ascii转义。
- 由于json的load会自动将这些ascii转义成对应的符号（比如中文），所以并不影响我们的程序运行
下面是一个用bert-base-chinese的一个演示代码，你也可以将其替换成其他的tokenizer
- 使用的数据是sample.json
import json
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
path = "./sample.json"
data = json.load(open(path, "r"))
str_chinese = data[0]['instruction']
print(str_chinese)
print(tokenizer(str_chinese)) #这是tokenizer正常的编码
json.dump(data, open("./sample_test.json", "w")) #这个文件，直接查看的话中文部分都是ascii
data_test = json.load(open("./sample_test.json", "r")) #载入之后是正常的
str_ascii = data_test[0]['instruction']
print(str_ascii)
print(tokenizer(str_ascii)) #由于载入是正常的，不影响tokenizer正常的编码
str_ascii_true = str_chinese.encode('unicode-escape') #我们这里强制转换编码来展示json的转移机制
print('\n')
print(str_ascii_true)
test_json_data = "{" + f"\"instruction\": \"{str_ascii_true}\"" + "}"
test_json_data = test_json_data.replace("\\u", "u")
print(test_json_data) #这个是json将要载入的字典，可以发现里面是上面中文对应的ascii，其中有一个“b”字符请忽略，这是bytes对象的字符串
ascii_test_data = json.loads(test_json_data)
print(ascii_test_data) #用json载入之后发现自动转义成正常的中文
json.dump(data, open("./sample_test_utf8.json", "w"), ensure_ascii=False, indent=2)
#如果想json能查看的舒服一点，可以增加后面这两个参数，让其自动缩进同时不编码ascii
正常输出如下：
用一句话描述地球为什么是独一无二的。\n
{'input_ids': [101, 4500, 671, 1368, 6413, 2989, 6835, 1765, 4413, 711, 784, 720, 3221, 4324, 671, 3187, 753, 4638, 511, 139, 156, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
用一句话描述地球为什么是独一无二的。\n
{'input_ids': [101, 4500, 671, 1368, 6413, 2989, 6835, 1765, 4413, 711, 784, 720, 3221, 4324, 671, 3187, 753, 4638, 511, 139, 156, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
b'\\u7528\\u4e00\\u53e5\\u8bdd\\u63cf\\u8ff0\\u5730\\u7403\\u4e3a\\u4ec0\\u4e48\\u662f\\u72ec\\u4e00\\u65e0\\u4e8c\\u7684\\u3002\\\\n\\n'
{"instruction": "b'\u7528\u4e00\u53e5\u8bdd\u63cf\u8ff0\u5730\u7403\u4e3a\u4ec0\u4e48\u662f\u72ec\u4e00\u65e0\u4e8c\u7684\u3002\\\\n\\n'"}
{'instruction': "b'用一句话描述地球为什么是独一无二的。\\\\n\\n'"}
如果希望能清晰地查看里面的内容，可以使用上面代码的最后一行。先将数据load后
- 使用ensure_ascii=False让其不自动转换成ascii
- 使用indent调整json的缩进
2、环境问题
由于不同机器不同版本会有各种不同的问题。
ddp跑单卡的问题
- https://github.com/Facico/Chinese-Vicuna/issues/4
- 由于finetune.sh使用的是torchrun来运行的，可能存在torch和python版本之间的不对应问题。因为单卡不需要ddp，此时可以直接使用python来运行。参照readme中的单卡指令。
- python 3.11中torchrun有bug，详见link
ddp跑多卡
首先注意是不是自己机器的问题，然后再注意版本的问题，一下是一个python3.10能用的配置参考
torch 1.13.1 torchtyping 0.1.4 torchvision 0.14.1 absl-py 1.4.0 accelerate 0.15.0 aiodns 3.0.0 aiofiles 23.1.0 aiohttp 3.8.3 aiosignal 1.3.1 altair 4.2.2 anyio 3.6.2 appdirs 1.4.4 async-timeout 4.0.2 attrs 22.2.0 beautifulsoup4 4.11.2 bitsandbytes 0.37.0 Brotli 1.0.9 cachetools 5.3.0 certifi 2022.12.7 cffi 1.15.1 charset-normalizer 2.1.1 click 8.1.3 contourpy 1.0.7 cpm-kernels 1.0.11 cycler 0.11.0 datasets 2.8.0 deepspeed 0.7.7 dill 0.3.6 distlib 0.3.6 docker-pycreds 0.4.0 einops 0.6.0 entrypoints 0.4 evaluate 0.4.0 fastapi 0.95.0 ffmpy 0.3.0 filelock 3.9.0 fire 0.5.0 flash-attn 0.2.8 fonttools 4.39.2 frozenlist 1.3.3 fsspec 2023.3.0 gdown 4.6.4 gensim 3.8.2 gitdb 4.0.10 GitPython 3.1.31 google-auth 2.16.2 google-auth-oauthlib 0.4.6 gradio 3.23.0 grpcio 1.51.3 h11 0.14.0 hjson 3.1.0 httpcore 0.16.3 httpx 0.23.3 huggingface-hub 0.13.3 icetk 0.0.5 idna 3.4 inflate64 0.3.1 Jinja2 3.1.2 joblib 1.2.0 jsonlines 3.1.0 jsonschema 4.17.3 kiwisolver 1.4.4 linkify-it-py 2.0.0 loguru 0.6.0 loralib 0.1.1 Markdown 3.4.1 markdown-it-py 2.2.0 MarkupSafe 2.1.2 matplotlib 3.7.1 mdit-py-plugins 0.3.3 mdurl 0.1.2 msgpack 1.0.4 multidict 6.0.4 multiprocess 0.70.14 multivolumefile 0.2.3 networkx 3.0 ninja 1.11.1 nltk 3.8.1 numpy 1.24.2 nvidia-cublas-cu11 11.10.3.66 nvidia-cuda-nvrtc-cu11 11.7.99 nvidia-cuda-runtime-cu11 11.7.99 nvidia-cudnn-cu11 8.5.0.96 nvidia-ml-py 11.525.84 nvitop 1.0.0 oauthlib 3.2.2 openai 0.27.2 orjson 3.8.8 packaging 23.0 pandas 1.5.3 pathtools 0.1.2 peft 0.3.0.dev0 Pillow 9.4.0 pip 22.3.1 platformdirs 3.1.0 protobuf 3.20.1 psutil 5.9.4 py-cpuinfo 9.0.0 py7zr 0.20.4 pyarrow 11.0.0 pyasn1 0.4.8 pyasn1-modules 0.2.8 pybcj 1.0.1 pycares 4.3.0 pycparser 2.21 pycryptodomex 3.17 pydantic 1.10.4 pydub 0.25.1 Pygments 2.14.0 pyparsing 3.0.9 pyppmd 1.0.0 pyrsistent 0.19.3 PySocks 1.7.1 python-dateutil 2.8.2 python-multipart 0.0.6 pytz 2022.7.1 PyYAML 6.0 pyzstd 0.15.4 ray 2.3.0 regex 2022.10.31 requests 2.28.2 requests-oauthlib 1.3.1 responses 0.18.0 rfc3986 1.5.0 rich 13.3.2 rouge-score 0.1.2 rsa 4.9 scikit-learn 1.2.0 scipy 1.10.1 semantic-version 2.10.0 sentencepiece 0.1.97 sentry-sdk 1.16.0 setproctitle 1.3.2 setuptools 65.6.3 six 1.16.0 smart-open 6.3.0 smmap 5.0.0 sniffio 1.3.0 soupsieve 2.4 starlette 0.26.1 tabulate 0.9.0 tensorboard 2.12.0 tensorboard-data-server 0.7.0 tensorboard-plugin-wit 1.8.1 termcolor 2.2.0 texttable 1.6.7 threadpoolctl 3.1.0 tokenizers 0.13.2 toolz 0.12.0 torch 1.13.1 torchtyping 0.1.4 torchvision 0.14.1 tqdm 4.65.0 transformers 4.28.0.dev0 trlx 0.3.0 typeguard 2.13.3 typing_extensions 4.5.0 uc-micro-py 1.0.1 urllib3 1.26.14 uvicorn 0.21.1 virtualenv 20.20.0 wandb 0.13.10 websockets 10.4 Werkzeug 2.2.3 wheel 0.38.4 xxhash 3.2.0 yarl 1.8.2
3、输出乱码问题
可以使用下面的测试代码，检验一下英文输入，英文输出，中文输入，中文输出等是否会有问题。如果有问题可能是transformers、tokenizers、sentencepiece等依赖版本的问题（参考上面配置），如果在终端输出解决了这个问题webui上应该是不会有问题的。
import sys import torch from peft import PeftModel import transformers from transformers import LlamaTokenizer, LlamaForCausalLM tokenizer = LlamaTokenizer.from_pretrained("decapoda-research/llama-7b-hf") BASE_MODEL = "decapoda-research/llama-7b-hf" model = LlamaForCausalLM.from_pretrained( BASE_MODEL, load_in_8bit=True, torch_dtype=torch.float16, device_map="auto", ) model.eval() inputs = "Hello, Where is the capital of the United States?" #"你好,美国的首都在哪里？" input_ids = tokenizer(inputs, return_tensors="pt")['input_ids'] print(input_ids) generation_output = model.generate( input_ids=input_ids, max_new_tokens=15, ) print(generation_output) print(tokenizer.decode(generation_output[0])) model = PeftModel.from_pretrained( model, "./lora-Vicuna/checkpoint-4000", torch_dtype=torch.float16, device_map={'': 0} ) inputs = "你好,中国的首都在哪里？" #"你好,美国的首都在哪里？" input_ids = tokenizer(inputs, return_tensors="pt")['input_ids'] print(input_ids) generation_output = model.generate( input_ids=input_ids, max_new_tokens=15, ) print(generation_output) print(tokenizer.decode(generation_output[0]))因为这个是一个比较简单的例子，生成的时候没有加参数控制，在webui那里会有参数控制的，比如Repetition Penalty等
4、bitsandbytes报错
由于peft这个仓库正在开发中，还存在很多问题。比如跑generate.py的时候，不去指定某一张卡，它能会在其他卡也分配显存。
- 也有可能像问题2那样，有一张卡是坏的
跑程序的时候请检查GPU的运行情况，如果跑单卡，请使用CUDA_VISIBLE_DEVICES=0（序号根据实际情况定）